論文の概要: Efficient Generative Modeling beyond Memoryless Diffusion via Adjoint Schrödinger Bridge Matching

• arxiv url: http://arxiv.org/abs/2602.15396v1
• Date: Tue, 17 Feb 2026 07:06:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.006056
• Title: Efficient Generative Modeling beyond Memoryless Diffusion via Adjoint Schrödinger Bridge Matching
• Title（参考訳）: Adjoint Schrödinger Bridge Matchingによるメモリレス拡散を超える効率的な生成モデリング
• Authors: Jeongwoo Shin, Jinhwan Sul, Joonseok Lee, Jaewong Choi, Jaemoo Choi,
• Abstract要約: Adjoint Schrdinger Bridge Matching (ASBM) は、2つの段階を通して高次元の最適軌道を復元する生成的モデリングフレームワークである。 非メモリレスで運用することで、ASBMはよりストレートで効率的なサンプリングパスを生成する。
• 参考スコア（独自算出の注目度）: 21.203928585307317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models often yield highly curved trajectories and noisy score targets due to an uninformative, memoryless forward process that induces independent data-noise coupling. We propose Adjoint Schrödinger Bridge Matching (ASBM), a generative modeling framework that recovers optimal trajectories in high dimensions via two stages. First, we view the Schrödinger Bridge (SB) forward dynamic as a coupling construction problem and learn it through a data-to-energy sampling perspective that transports data to an energy-defined prior. Then, we learn the backward generative dynamic with a simple matching loss supervised by the induced optimal coupling. By operating in a non-memoryless regime, ASBM produces significantly straighter and more efficient sampling paths. Compared to prior works, ASBM scales to high-dimensional data with notably improved stability and efficiency. Extensive experiments on image generation show that ASBM improves fidelity with fewer sampling steps. We further showcase the effectiveness of our optimal trajectory via distillation to a one-step generator.
• Abstract（参考訳）: 拡散モデルは、独立なデータ-ノイズ結合を誘導する非形式的でメモリレスのフォワードプロセスのために、高い曲線軌道とノイズスコア目標を生じることが多い。 本稿では,高次元の最適軌道を2段階で復元する生成的モデリングフレームワークであるAdjoint Schrödinger Bridge Matching (ASBM)を提案する。 まず、シュレーディンガー橋(SB)の前方力学を結合構成問題とみなし、データからエネルギーへのサンプリングの観点から学習し、そのデータをエネルギーで定義された事前に転送する。 そして、誘導最適結合によって制御される単純なマッチング損失を用いて、後方生成ダイナミクスを学習する。 非メモリレスで運用することで、ASBMはよりストレートで効率的なサンプリングパスを生成する。 以前の研究と比較すると、ASBMは安定性と効率性を顕著に改善した高次元データにスケールする。 画像生成に関する大規模な実験により、ASBMはサンプリングステップを減らして忠実性を向上させることが示された。 さらに,1段階発生器への蒸留による最適軌道の有効性を示す。

関連論文リスト

• Walking the Schrödinger Bridge: A Direct Trajectory for Text-to-3D Generation [51.337622918786074]
  本稿では,新しいテキストから3D生成フレームワークであるTray-Centric Distillation (TraCe)を紹介する。 TraCeは、最先端技術よりも優れた品質と忠実性を実現している。
  論文  参考訳（メタデータ） (2025-11-06T09:21:57Z)
• Diffusion Bridge or Flow Matching? A Unifying Framework and Comparative Analysis [57.614436689939986]
  拡散ブリッジとフローマッチングは、任意の分布間の変換において魅力的な経験的性能を示した。 我々は,これらのフレームワークを最適制御のレンズを通して再キャストし,拡散橋のコスト関数が低いことを証明した。 これらの理論的主張を裏付けるために,潜伏変圧器上に構築された拡散橋の新しい強力なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:45:22Z)
• Energy Matching: Unifying Flow Matching and Energy-Based Models for Generative Modeling [5.787270247104665]
  現在の最先端生成モデルは、フローやスコアの一致によって、ノイズをデータ分布にマッピングする。 本稿では,ESMの柔軟性を備えたフローベースアプローチを実現するフレームワークであるEnergy Matchingを提案する。
  論文  参考訳（メタデータ） (2025-04-14T18:10:58Z)
• Single-Step Bidirectional Unpaired Image Translation Using Implicit Bridge Consistency Distillation [55.45188329646137]
  Implicit Bridge Consistency Distillation (IBCD) は、対向損失を使わずに、単段階の双方向無ペア翻訳を可能にする。 IBCDは、ベンチマークデータセットの最先端のパフォーマンスを1世代で達成する。
  論文  参考訳（メタデータ） (2025-03-19T09:48:04Z)
• SCoT: Unifying Consistency Models and Rectified Flows via Straight-Consistent Trajectories [31.60548236936739]
  本研究では,事前学習した拡散モデルに対する直線一貫性軌道(SCoT)モデルを提案する。 SCoTは、高速サンプリングのための両方のアプローチの利点を享受し、一貫した特性と直線的な性質のトラジェクトリを同時に生成する。
  論文  参考訳（メタデータ） (2025-02-24T08:57:19Z)
• DPBridge: Latent Diffusion Bridge for Dense Prediction [49.1574468325115]
  DPBridgeは、密度予測タスクのための最初の潜伏拡散ブリッジフレームワークである。 提案手法は,異なるシナリオ下での有効性と能力の一般化を実証し,優れた性能を継続的に達成する。
  論文  参考訳（メタデータ） (2024-12-29T15:50:34Z)
• ToddlerDiffusion: Interactive Structured Image Generation with Cascaded Schrödinger Bridge [63.00793292863]
  ToddlerDiffusionは、RGB画像生成の複雑なタスクを、よりシンプルで解釈可能なステージに分解するための新しいアプローチである。 提案手法はToddler Diffusionと呼ばれ,それぞれが中間表現を生成する責務を担っている。 ToddlerDiffusionは、常に最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2023-11-24T15:20:01Z)

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。