論文の概要: SDDBMs: Soft Denoising Diffusion Bridge Models

• arxiv url: http://arxiv.org/abs/2608.08594v2
• Date: Tue, 11 Aug 2026 14:57:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 16:08:30.643306
• Title: SDDBMs: Soft Denoising Diffusion Bridge Models
• Title（参考訳）: SDDBM:ソフトデノイング拡散ブリッジモデル
• Authors: Shiyi Qi, Kun He, Mingmou Liu,
• Abstract要約: 拡散ブリッジモデルは、任意のエンドポイント分布間のトランスポートを構築するために、Doob(h)変換を利用する。 既存のブリッジモデルはハードエンドポイントコンディショニングに依存しており、端末状態は所定のターゲットと正確に一致するように強制される。 本稿では,拡散ブリッジを終端制約のレベルで直接正規化するフレームワークであるSDDBM(Soft Denoising Diffusion Bridge Models)を提案する。
• 参考スコア（独自算出の注目度）: 9.271715699156374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion bridge models leverage Doob's \(h\)-transform to construct stochastic transports between arbitrary endpoint distributions, and have shown strong potential in image-to-image translation and restoration. However, most existing bridge models rely on hard endpoint conditioning, which forces the terminal state to match a prescribed target exactly. This hard constraint induces terminal-boundary singularities: the terminal law collapses to a Dirac measure, and the resulting drift coefficients become ill-conditioned near the endpoint. In this paper, we propose Soft Denoising Diffusion Bridge Models (SDDBMs), a generalized framework that regularizes diffusion bridges directly at the level of their terminal constraints. Instead of imposing an exact endpoint, SDDBMs prescribe a non-degenerate Gaussian terminal marginal under the transformed path measure, with a flexible terminal center and variance. Starting from this prescribed marginal, we develop a complete closed-form construction of the soft bridge, including the Gaussian terminal reweighting and soft \(h\)-function, the induced Gaussian forward marginals and \(\mathbf{x}_0\)-free dynamics. Theoretically, SDDBMs provide a unified probabilistic perspective that encompasses existing diffusion bridge models, including DDBMs, GOUB, and UniDB, as special cases under specific parameter choices. Extensive experiments on image restoration tasks demonstrate that SDDBMs achieve improved numerical stability and superior generation quality over existing bridge-based methods.
• Abstract（参考訳）: 拡散ブリッジモデルは、任意の終端分布間の確率的輸送を構築するためにDoobの \(h\)-変換を利用する。 しかし、既存のほとんどのブリッジモデルはハードエンドポイント条件に依存しており、終端状態は所定の目標に正確に一致するように強制される。 この強い制約は終端境界特異点を誘導し、終端法則はディラック測度に崩壊し、結果として生じるドリフト係数は終端付近で不条件となる。 本稿では,拡散ブリッジを直接終端制約のレベルで正規化する一般化フレームワークであるSDDBM(Soft Denoising Diffusion Bridge Models)を提案する。 正確な終点を与える代わりに、SDDBMは変換された経路測度の下で非退化ガウス終点を規定し、フレキシブルな終点中心と分散を持つ。 この所定の限界から、ガウス終端再重み付けとソフト \(h\)-函数、誘導ガウス前方辺縁、および \(\mathbf{x}_0\)-自由力学を含むソフトブリッジの完全な閉形式構築を開発する。 理論的には、SDDBMはDDBM、GOUB、UniDBを含む既存の拡散ブリッジモデルを特定のパラメータ選択の特別なケースとして含む統一確率論的視点を提供する。 画像復元作業における広範囲な実験により,SDDBMは既存の橋梁法よりも優れた数値安定性と生成品質が得られることが示された。

関連論文リスト

• Twisted Schrödinger Bridge Matching [34.126987447337534]
  拡散に基づくシュルディンガー橋模型は、2つの所定の境界分布間の最適輸送ダイナミクスを近似するために提案されている。 連続時間と離散時間の両方を扱うために設計された拡散法であるTwisted Schrdinger Bridge Matchingを紹介する。
  論文  参考訳（メタデータ） (2026-07-18T22:30:43Z)
• Fractional Diffusion Bridge Models [31.569955540169104]
  フラクショナル拡散ブリッジモデル(FDBM) リッチかつ非マルコフ分数的ブラウン運動(fBM)の近似によって駆動される新しい拡散ブリッジフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-03T17:51:10Z)
• Residual Diffusion Bridge Model for Image Restoration [57.31163715170476]
  拡散ブリッジモデルは任意のペア分布間の確率パスを確立する。 既存のほとんどの手法は単にそれらを補間剤の単純な変種として扱い、統一的な分析的視点を欠いている。 これらの課題に対処するために,Residual Diffusion Bridge Model (RDBM)を提案する。
  論文  参考訳（メタデータ） (2025-10-27T08:35:49Z)
• 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)
• 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)
• Discrete Diffusion Schrödinger Bridge Matching for Graph Transformation [1.8257739595540863]
  任意の分布間の任意の分布の移動は、生成的モデリングの基本的な目標である。 高次元離散状態空間におけるSB問題の解法として,連続時間マルコフ連鎖を用いた新しいフレームワークを提案する。 我々は,分子の性質を最小限のグラフ変換で効果的に最適化できることを示す。
  論文  参考訳（メタデータ） (2024-10-02T12:51:25Z)
• 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)

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。