論文の概要: Resolving Endpoint Underfitting in Diffusion Bridges via Noise Alignment

• arxiv url: http://arxiv.org/abs/2605.28962v1
• Date: Wed, 27 May 2026 18:07:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.141106
• Title: Resolving Endpoint Underfitting in Diffusion Bridges via Noise Alignment
• Title（参考訳）: 騒音アライメントによる拡散橋の終点不適合の解消
• Authors: Yurong Gao, Zicheng Zhang, Congying Han, Tiande Guo, Xinmin Qiu,
• Abstract要約: 拡散ブリッジモデルは、2つのデータ分散を接続するための強力なフレームワークを提供する。 多くの既存手法が標準拡散モデルのスコアマッチング定式化を模倣してこの橋を学習している。 そこで本研究では,この手法がターゲットの終端付近で異常な不適合現象を引き起こすことを発見した。 本稿では,この問題を解決するため,ノイズアラインド拡散橋(NADB)を提案する。
• 参考スコア（独自算出の注目度）: 35.01797772219974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion bridge models offer a powerful framework for connecting two data distributions, such as in image restoration and translation. Many existing methods learn this bridge by mimicking the score-matching formulation of standard diffusion models. In this work, we find that this way leads to an anomalous underfitting phenomenon near the target endpoint, as the process approaches the target distribution ($t \to 0$). This underfitting, characterized by significant drift in the predicted variance and direction, results from an excessively large discrepancy in noise levels between the network's input and its regression target.To resolve this issue, we propose the Noise-Aligned Diffusion Bridge (NADB).Our approach reformulates the diffusion bridge by first employing a mean network to provide a cleaner conditional target, and then introducing a novel, noise-aligned mapping relationship. This new formulation resolves the noise mismatch and corrects the underfitting near the target endpoint. Experimental validation across multiple image restoration and image translation tasks demonstrates the effectiveness of our approach. Code is available at https://github.com/gyr02/NADB.
• Abstract（参考訳）: 拡散ブリッジモデルは、画像復元や翻訳などの2つのデータ分散を接続するための強力なフレームワークを提供する。 多くの既存手法が標準拡散モデルのスコアマッチング定式化を模倣してこの橋を学習している。 この方法では、プロセスがターゲット分布(t \to 0$)に近づくと、ターゲットエンドポイントの近くで異常な不適合現象が発生する。 この不適合性は, ネットワークの入力と回帰目標とのノイズレベルの過度な差から生じる, 予測分散と方向の顕著なドリフトを特徴とし, この問題を解決するために, NADB (Noss-Aligned Diffusion Bridge) を提案する。 提案手法では,まず平均的ネットワークを用いて拡散ブリッジを再構成し,よりクリーンな条件付き目標を与えるとともに,新しい雑音対応マッピング関係を導入する。 この新たな定式化はノイズミスマッチを解消し、ターゲットエンドポイント付近で不適合を補正する。 複数の画像復元タスクと画像翻訳タスクにまたがる実験的検証により,本手法の有効性が示された。 コードはhttps://github.com/gyr02/NADB.comで入手できる。

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)
• 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)
• 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)
• Denoising Diffusion Bridge Models [54.87947768074036]
  拡散モデルは、プロセスを使用してデータにノイズをマッピングする強力な生成モデルである。 画像編集のような多くのアプリケーションでは、モデル入力はランダムノイズではない分布から来る。 本研究では, DDBM(Denoising Diffusion Bridge Models)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T03:24:24Z)
• BBDM: Image-to-image Translation with Brownian Bridge Diffusion Models [50.39417112077254]
  BBDM(Brownian Bridge Diffusion Model)に基づく画像から画像への変換手法を提案する。 我々の知る限りでは、画像から画像への変換のためのブラウン橋拡散プロセスを提案する最初の作品である。
  論文  参考訳（メタデータ） (2022-05-16T13:47:02Z)

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。