論文の概要: Reflected Schrödinger Bridge Matching

• arxiv url: http://arxiv.org/abs/2607.03626v1
• Date: Fri, 03 Jul 2026 23:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.669021
• Title: Reflected Schrödinger Bridge Matching
• Title（参考訳）: 反射型シュレーディンガー橋の整合
• Abstract要約: 生成モデリングにより、高次元設定でのシュルディンガー橋(SB)の効率的な計算が可能となった。 本研究では,フローマッチングと同様に,反射型SBをトレーニングできる部分シミュレーションフリーフレームワークを提案する。 リフレクションダイナミクスを使用することで、トレーニングと推論の間に無視できないウォールタイムを発生させると同時に、生成性能をわずかに向上させる。
• 参考スコア（独自算出の注目度）: 1.3048920509133808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative modeling have enabled the efficient computation of Schrödinger bridges (SB) in high-dimensional settings by leveraging partially simulation-free training methods inspired by flow matching. However, these have not covered SBs with reflecting dynamics, a useful model choice with built-in guarantees that generated samples stay in the data domain. Existing alternatives for reflected SBs instead rely on more complex training based on forward--backward SDE theory, requiring expensive higher-order derivatives and sampling entire paths during training. In this article, we introduce a partially simulation-free framework that allows reflected SBs to be trained similarly to flow matching, using a new sampling method and regression target. We demonstrate our results by coupling pairs of well-known high-dimensional image datasets. Using reflected dynamics incurs negligible additional wall-clock time during both training and inference while maintaining or slightly improving generative performance.
• Abstract（参考訳）: 生成モデリングの最近の進歩は、フローマッチングにインスパイアされた部分的にシミュレーションなしのトレーニング手法を活用することで、高次元環境でのシュレーディンガー橋(SB)の効率的な計算を可能にした。 しかし、これらはリフレクションダイナミクスでSBをカバーしていない。これは、生成されたサンプルがデータドメインに留まることを保証したビルトインで有用なモデル選択である。 既存の反射SBの代替品は、後方SDE理論に基づくより複雑な訓練に頼り、高価な高次微分を必要とし、訓練中に全経路をサンプリングする。 本稿では、新しいサンプリング手法と回帰目標を用いて、リフレクションSBをフローマッチングと同様に訓練できる部分シミュレーションフリーフレームワークを提案する。 我々は、よく知られた高次元画像データセットのペアを結合して結果を実証する。 リフレクションダイナミクスを使用することで、トレーニングと推論の間に無視できないウォールタイムを発生させると同時に、生成性能をわずかに向上させる。

関連論文リスト

• Learnable Chernoff Baselines for Inference-Time Alignment [64.81256817158851]
  本稿では,指数関数的に傾いたカーネルから効率よく,およそサンプリングする方法として,Learnerable Chernoff Baselinesを紹介した。 理想的なモデルに対する全変量保証を確立し、LCBサンプリングが理想的拒絶サンプリングと密接に一致するような連続的および離散的な拡散設定を実証する。
  論文  参考訳（メタデータ） (2026-02-08T00:09:40Z)
• Euphonium: Steering Video Flow Matching via Process Reward Gradient Guided Stochastic Dynamics [49.242224984144904]
  本稿では,プロセス報酬勾配誘導ダイナミクスによる生成を支援する新しいフレームワークであるEuphoniumを提案する。 我々の重要な洞察は、プロセス・リワード・モデルの勾配を明示的に組み込んだ理論的に原理化されたアルゴリズムとしてサンプリング・プロセスを定式化することである。 我々は,誘導信号をフローネットワークに内部化する蒸留目標を導出し,報奨モデルへの推論時間依存性を排除した。
  論文  参考訳（メタデータ） (2026-02-04T08:59:57Z)
• End-to-End Training for Autoregressive Video Diffusion via Self-Resampling [63.84672807009907]
  自己回帰ビデオ拡散モデルは、世界シミュレーションの可能性を保っているが、列車テストミスマッチに起因する露出バイアスに弱い。 教師なしのフレームワークであるResampling Forcingを導入し、スクラッチから大規模まで自動回帰ビデオモデルのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-12-17T18:53:29Z)
• On Approaches to Building Surrogate ODE Models for Diffusion Bridges [39.92969675794945]
  拡散とシュルディンガーブリッジモデルは、生成モデリングにおける最先端の性能を確立している。 これらのモデルは、しばしば計算コストと複雑な訓練手順によって妨げられる。 この研究は、代理モデルを使用してよりシンプルで、より速く、より柔軟なこれらのダイナミクスの近似を作成する新しいパラダイムを導入している。
  論文  参考訳（メタデータ） (2025-12-14T12:49:38Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• 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)
• Variational Schrödinger Diffusion Models [14.480273869571468]
  Schr"odinger Bridge (SB) は拡散モデルにおける輸送計画の最適化手法として登場した。 我々は変分推論を利用してSBの前方スコア関数(変分スコア)を線形化する。 本稿では,多変量拡散過程と変分スコアを適応的に最適化して効率的な輸送を行う,変分Schr"odinger拡散モデル(VSDM)を提案する。
  論文  参考訳（メタデータ） (2024-05-08T04:01:40Z)
• 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)
• ReDi: Efficient Learning-Free Diffusion Inference via Trajectory Retrieval [68.7008281316644]
  ReDiは学習不要なRetrievalベースの拡散サンプリングフレームワークである。 ReDi はモデル推論効率を 2 倍高速化することを示した。
  論文  参考訳（メタデータ） (2023-02-05T03:01:28Z)
• Likelihood Training of Schr\"odinger Bridge using Forward-Backward SDEs Theory [29.82841891919951]
  SBの最適化原理が深層生成モデルの近代的な訓練と関係しているかどうかは不明である。 本稿では、フォワード・バックワード理論に基づくSBモデルの可能性トレーニングのための新しい計算フレームワークを提案する。 その結果,MNIST,CelebA,CIFAR10上でのリアルな画像生成に比較した結果が得られた。
  論文  参考訳（メタデータ） (2021-10-21T17:18:59Z)

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。