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

• Acoustic Waveform Inversion with Image-to-Image Schrödinger Bridges [0.0]
  我々は高解像度のサンプルを生成するための条件付き画像共有型Schr"odinger Bridge (c$textI2textSB$) フレームワークを導入する。 実験の結果,提案手法は条件付き拡散モデルの再実装よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-06-18T10:55:26Z)
• 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)
• Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
  ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。 我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。 この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。 提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:24:14Z)
• 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)
• Adversarial Schrödinger Bridge Matching [66.39774923893103]
  反復マルコフフィッティング(IMF)手順は、マルコフ過程の相互射影と相互射影を交互に交互に行う。 本稿では、プロセスの学習を離散時間でほんの少しの遷移確率の学習に置き換える新しい離散時間IMF(D-IMF)手順を提案する。 D-IMFの手続きは、数百ではなく数世代のステップで、IMFと同じ品質の未完成のドメイン翻訳を提供できることを示す。
  論文  参考訳（メタデータ） (2024-05-23T11:29:33Z)
• Fast Ensembling with Diffusion Schrödinger Bridge [17.334437293164566]
  ディープ・アンサンブル(Deep Ensemble、DE)アプローチは、様々な初期点からニューラルネットワークを訓練し、様々な局所最適点に向かって収束させることにより、ディープ・ニューラルネットワークの性能を高めるための簡単な手法である。 本稿では,Diffusion Bridge Network (DBN) と呼ばれる新しい手法を提案する。 この軽量ニューラルネットワークDBNで重アンサンブルを置換することにより、CIFAR-10、CIFAR-100、TinyImageNetなどのベンチマークデータセットの精度と不確実性を維持しながら、計算コストを削減した推論を実現した。
  論文  参考訳（メタデータ） (2024-04-24T11:35:02Z)
• 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)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。