論文の概要: UniDB: A Unified Diffusion Bridge Framework via Stochastic Optimal Control

• arxiv url: http://arxiv.org/abs/2502.05749v3
• Date: Fri, 21 Feb 2025 15:01:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 17:07:37.715095
• Title: UniDB: A Unified Diffusion Bridge Framework via Stochastic Optimal Control
• Title（参考訳）: UniDB: 確率的最適制御による統一拡散ブリッジフレームワーク
• Authors: Kaizhen Zhu, Mokai Pan, Yuexin Ma, Yanwei Fu, Jingyi Yu, Jingya Wang, Ye Shi,
• Abstract要約: 最適制御(SOC)に基づく拡散ブリッジ統合フレームワークUniDBを提案する。 UniDBは、SOCベースの最適化を通じて問題を定式化し、最適制御器のための閉形式解を導出する。 Doobの$h$-transformを使った既存の拡散ブリッジが、我々のフレームワークの特別なケースであることを示す。
• 参考スコア（独自算出の注目度）: 73.73585888013665
• License:
• Abstract: Recent advances in diffusion bridge models leverage Doob's $h$-transform to establish fixed endpoints between distributions, demonstrating promising results in image translation and restoration tasks. However, these approaches frequently produce blurred or excessively smoothed image details and lack a comprehensive theoretical foundation to explain these shortcomings. To address these limitations, we propose UniDB, a unified framework for diffusion bridges based on Stochastic Optimal Control (SOC). UniDB formulates the problem through an SOC-based optimization and derives a closed-form solution for the optimal controller, thereby unifying and generalizing existing diffusion bridge models. We demonstrate that existing diffusion bridges employing Doob's $h$-transform constitute a special case of our framework, emerging when the terminal penalty coefficient in the SOC cost function tends to infinity. By incorporating a tunable terminal penalty coefficient, UniDB achieves an optimal balance between control costs and terminal penalties, substantially improving detail preservation and output quality. Notably, UniDB seamlessly integrates with existing diffusion bridge models, requiring only minimal code modifications. Extensive experiments across diverse image restoration tasks validate the superiority and adaptability of the proposed framework. Our code is available at https://github.com/UniDB-SOC/UniDB/.
• Abstract（参考訳）: 拡散ブリッジモデルの最近の進歩は、Doobの$h$-transformを利用して、分布間の固定エンドポイントを確立し、画像翻訳と復元タスクにおいて有望な結果を示す。 しかし、これらのアプローチはしばしばぼやけた、あるいは過度に滑らかな画像の詳細を生成し、これらの欠点を説明するための包括的な理論的基盤が欠如している。 これらの制約に対処するため,SOC(Stochastic Optimal Control)に基づく拡散ブリッジ統合フレームワークUniDBを提案する。 UniDBは、SOCベースの最適化を通じて問題を定式化し、最適制御器の閉形式解を導出し、既存の拡散ブリッジモデルを統一して一般化する。 SOCコスト関数の終端ペナルティ係数が無限大になる傾向にある場合,Doobの$h$-transformを用いた既存の拡散ブリッジが,我々のフレームワークの特別なケースであることを示す。 調整可能な端末ペナルティ係数を組み込むことで、制御コストと端末ペナルティの最適バランスを実現し、ディテール保存と出力品質を大幅に改善する。 特に、UniDBは既存の拡散ブリッジモデルとシームレスに統合され、最小限のコード修正しか必要としない。 多様な画像復元タスクにわたる広範囲な実験により,提案手法の優位性と適応性が検証された。 私たちのコードはhttps://github.com/UniDB-SOC/UniDB/で利用可能です。

関連論文リスト

• Consistency Diffusion Bridge Models [25.213664260896103]
  拡散ブリッジモデル(DDBM)は、参照拡散プロセスに基づいて、固定データエンドポイント間でプロセスを構築する。 DDBMのサンプリングプロセスは通常、良好な性能を達成するために何百ものネットワーク評価を必要とする。 本稿では, DDBMに適用可能な整合性ブリッジ蒸留と整合性ブリッジ訓練の2つのパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-10-30T02:04:23Z)
• Soft-constrained Schrodinger Bridge: a Stochastic Control Approach [4.922305511803267]
  シュル「オーディンガー橋」は、最適に制御された拡散過程を見つけることを目標とする連続時間制御問題と見なすことができる。 本稿では,両分布間のKulback-Leiblerの相違を罰し,端末分布を目標と異なるものにすることで,この問題を一般化することを提案する。 1つの応用は、堅牢な生成拡散モデルの開発である。
  論文  参考訳（メタデータ） (2024-03-04T04:10:24Z)
• Double-Bounded Optimal Transport for Advanced Clustering and Classification [58.237576976486544]
  本稿では,2つの境界内での目標分布の制限を前提としたDB-OT(Douubly bounded Optimal Transport)を提案する。 提案手法は,テスト段階における改良された推論方式により,良好な結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-21T07:43:01Z)
• Towards Unified and Effective Domain Generalization [42.579796989908914]
  我々は、$textbfD$omain $textbfG$eneralizationのための新規および$textbfUnifiedフレームワークである$textbfUniDG$を提案する。 具体的には、モデルに教師なしの方法でテストデータの分布を学習させ、モデルパラメータの更新ステップに関してペナルティを課すことを推奨する。
  論文  参考訳（メタデータ） (2023-10-16T02:05:03Z)
• Generalized Schrödinger Bridge Matching [54.171931505066]
  一般化Schr"odinger Bridge (GSB) 問題設定は、機械学習の内外を問わず、多くの科学領域で一般的である。 我々は最近の進歩に触発された新しいマッチングアルゴリズムである一般化シュリンガーブリッジマッチング(GSBM)を提案する。 このような一般化は条件最適制御の解法として、変分近似を用いることができることを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:42:11Z)
• Direct Diffusion Bridge using Data Consistency for Inverse Problems [65.04689839117692]
  拡散モデルに基づく逆問題解法は優れた性能を示したが、速度は制限されている。 いくつかの最近の研究は、拡散プロセスを構築し、クリーンで破損したものを直接ブリッジすることでこの問題を緩和しようと試みている。 微調整を必要とせずにデータの一貫性を強制する改良された推論手順を提案する。
  論文  参考訳（メタデータ） (2023-05-31T12:51:10Z)
• I$^2$SB: Image-to-Image Schr\"odinger Bridge [87.43524087956457]
  Image-to-Image Schr"odinger Bridge (I$2$SB) は条件拡散モデルの新しいクラスである。 I$2$SB は、2つの与えられた分布間の非線形拡散過程を直接学習する。 I$2$SBは、より解釈可能な生成過程を持つ標準条件拡散モデルを超えることを示す。
  論文  参考訳（メタデータ） (2023-02-12T08:35:39Z)
• DSEE: Dually Sparsity-embedded Efficient Tuning of Pre-trained Language Models [152.29364079385635]
  事前訓練されたモデルが大きくなればなるほど、微調整のプロセスは時間がかかり、計算コストがかかる可能性がある。 本稿では,重み更新と最終モデルの重み付けに先立って,疎度を活用することで,資源・パラメータ効率の微調整を行うフレームワークを提案する。 提案するフレームワークは,Dually Sparsity-Embeded Efficient Tuning (DSEE)と呼ばれ,パラメータ効率のよい微調整とリソース効率の推論という2つの重要な目標を達成することを目的としている。
  論文  参考訳（メタデータ） (2021-10-30T03:29:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。