論文の概要: UniDB++: Fast Sampling of Unified Diffusion Bridge

• arxiv url: http://arxiv.org/abs/2505.21528v1
• Date: Fri, 23 May 2025 15:03:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.12772
• Title: UniDB++: Fast Sampling of Unified Diffusion Bridge
• Title（参考訳）: UniDB++: 統一拡散ブリッジの高速サンプリング
• Authors: Mokai Pan, Kaizhen Zhu, Yuexin Ma, Yanwei Fu, Jingyi Yu, Jingya Wang, Ye Shi,
• Abstract要約: 拡散ブリッジは任意の分布間の遷移を可能にする。 UniDBの反復型オイラーサンプリング法への依存は、遅くて計算に費用がかかる推論をもたらす。 トレーニング不要なサンプリングアルゴリズムであるUniDB++は,これらの制限を大幅に改善する。
• 参考スコア（独自算出の注目度）: 73.73585888013665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion Bridges enable transitions between arbitrary distributions, with the Unified Diffusion Bridge (UniDB) framework achieving high-fidelity image generation via a Stochastic Optimal Control (SOC) formulation. However, UniDB's reliance on iterative Euler sampling methods results in slow, computationally expensive inference, while existing acceleration techniques for diffusion or diffusion bridge models fail to address its unique challenges: missing terminal mean constraints and SOC-specific penalty coefficients in its SDEs. We present UniDB++, a training-free sampling algorithm that significantly improves upon these limitations. The method's key advancement comes from deriving exact closed-form solutions for UniDB's reverse-time SDEs, effectively reducing the error accumulation inherent in Euler approximations and enabling high-quality generation with up to 20$\times$ fewer sampling steps. This method is further complemented by replacing conventional noise prediction with a more stable data prediction model, along with an SDE-Corrector mechanism that maintains perceptual quality for low-step regimes (5-10 steps). Additionally, we demonstrate that UniDB++ aligns with existing diffusion bridge acceleration methods by evaluating their update rules, and UniDB++ can recover DBIMs as special cases under some theoretical conditions. Experiments demonstrate UniDB++'s state-of-the-art performance in image restoration tasks, outperforming Euler-based methods in fidelity and speed while reducing inference time significantly. This work bridges the gap between theoretical generality and practical efficiency in SOC-driven diffusion bridge models. Our code is available at https://github.com/2769433owo/UniDB-plusplus.
• Abstract（参考訳）: 拡散ブリッジは、確率最適制御(SOC)による高忠実度画像生成を実現する統一拡散ブリッジ(Unified Diffusion Bridge, UniDB)フレームワークにより、任意の分布間の遷移を可能にする。 しかし、UniDBの反復型オイラーサンプリング手法への依存は遅く、計算に費用がかかる推論をもたらす一方、拡散や拡散橋モデルに対する既存の加速技術は、SDEにおける終端平均制約の欠如やSOC固有のペナルティ係数の欠如など、固有の課題に対処することができない。 トレーニング不要なサンプリングアルゴリズムであるUniDB++は,これらの制限を大幅に改善する。 この手法の鍵となる進歩は、UniDBの逆時間SDEの正確な閉形式解を導出し、オイラー近似に固有の誤差の蓄積を効果的に低減し、最大20$\times$以下のサンプリングステップで高品質な生成を可能にすることである。 この方法は、従来のノイズ予測をより安定したデータ予測モデルに置き換え、低段階(5〜10ステップ)の知覚品質を維持するSDE-Corrector機構と組み合わせることでさらに補完される。 さらに、UniDB++は更新ルールを評価し、既存の拡散ブリッジアクセラレーション手法と整合し、UniDB++はいくつかの理論的条件下でDBIMを特殊ケースとして復元できることを示した。 実験では、イメージ復元タスクにおけるUniDB++の最先端性能を実証し、推論時間を大幅に削減しながら、Eulerベースのメソッドの忠実度と速度でパフォーマンスを向上する。 この研究は、SOC駆動拡散ブリッジモデルにおける理論的一般性と実用的効率のギャップを埋める。 私たちのコードはhttps://github.com/2769433owo/UniDB-plusplusで利用可能です。

関連論文リスト

• UniDB: A Unified Diffusion Bridge Framework via Stochastic Optimal Control [73.73585888013665]
  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。
  論文  参考訳（メタデータ） (2025-02-09T02:43:57Z)
• Diffusion Bridge Implicit Models [25.213664260896103]
  分散ブリッジモデル(DDBM)は、2つの任意の対の分布を補間するための拡散モデルの強力な変種である。 我々は,拡散モデルで確立されたレシピに動機づけられた,余分な訓練を伴わないDDBMの高速サンプリングの第一歩を踏み出す。 我々は、高次数値解法を誘導する、新しい、単純で洞察に富んだ常微分方程式(ODE)を誘導する。
  論文  参考訳（メタデータ） (2024-05-24T19:08:30Z)
• 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)

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。