Cet article exploite la relation entre les DDPM et la localisation probabiliste pour surmonter le goulot d'étranglement de l'inférence des modèles probabilistes de diffusion (DDPM) débruiteurs. En prouvant que l'incrémentalité des DDPM satisfait la propriété d'interchangeabilité, nous démontrons que diverses techniques d'optimisation des performances basées sur des modèles autorégressifs peuvent être appliquées au contexte de diffusion. Plus précisément, nous proposons le « décodage prédictif automatique » (ASD), une extension de l'algorithme de décodage prédictif largement utilisé pour les DDPM, sans nécessiter de modèles auxiliaires. Nous démontrons par une analyse théorique que l'ASD permet d'obtenir des accélérations d'exécution parallèles de $\tilde{O}(K^{\frac{1}{3}})$ par rapport aux DDPM séquentiels à K étapes, et démontrons expérimentalement qu'il accélère significativement l'inférence des DDPM dans diverses applications.
