論文の概要: BridgeTwist: Twisting Schrödinger Bridges for Training-Free Conditional Sampling

• arxiv url: http://arxiv.org/abs/2610.18658v1
• Date: Tue, 13 Oct 2026 16:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:17:53.58285
• Title: BridgeTwist: Twisting Schrödinger Bridges for Training-Free Conditional Sampling
• Title（参考訳）: BridgeTwist: トレーニング不要条件サンプリングのためのツイスト型Schrödinger Bridges
• Abstract要約: BridgeTwistは、事前訓練されたブリッジ(SB)生成モデルのためのトレーニング不要条件付きサンプルである。 そのツイストは閉形式のプラグインサロゲートであり、SBが事前学習した速度とスコアフィールドをエンドポイント予測器に組み合わせて得られる。 テレスコープの重要度は、すべての中間的なツイスト因子をキャンセルし、後部の正確なサンプリングを行う。
• 参考スコア（独自算出の注目度）: 5.203363577164602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models are often required to serve many downstream conditional tasks. In the training-free setting, a pretrained unconditional model is reused as a prior and combined with a task-specific likelihood to sample from the corresponding posterior. While such training-free samplers have been developed for diffusion and flow models, their counterpart for Schrödinger bridge (SB) models remains unexplored, despite the growing appeal of SBs as flexible stochastic transport models between general source and target distributions. We propose BridgeTwist, a training-free conditional sampler for pretrained SB generative models, formulated as a tempered twisted sequential Monte Carlo scheme. Its twist is a closed-form plug-in surrogate, obtained by combining the velocity and score fields exposed by SB pretraining into an endpoint predictor and evaluating the likelihood there. Since this surrogate is less reliable near the source, we temper the twist with a time-varying exponent, downweighting its influence at early steps. We further introduce a bridge-shaped inference-time diffusion schedule that concentrates the proposal noise in the interior of the path. Telescoping importance weights then cancel all intermediate twist factors, yielding an asymptotically exact sampler for the posterior. Empirically, BridgeTwist outperforms training-free baselines on class-conditional and text-prompted image generation, and is competitive with specialized inverse problem solvers on inpainting, deblurring, and super-resolution.
• Abstract（参考訳）: 生成モデルは、多くの下流条件を満たすためにしばしば必要とされる。 トレーニング不要設定では、事前訓練された無条件モデルを前者として再利用し、対応する後者からサンプルするタスク固有確率と組み合わせる。 このような訓練のないサンプルは拡散と流れのモデルのために開発されたが、SBが一般のソースとターゲットの分布の間の柔軟な確率的輸送モデルとして魅力を増しているにもかかわらず、Schrödinger Bridge (SB) のモデルとは相容れない。 本稿では,事前学習したSB生成モデルのトレーニング不要条件付きサンプルであるBridgeTwistを提案する。 そのツイストは閉形式のプラグインサロゲートであり、SBが事前学習した速度とスコアフィールドをエンドポイント予測器に組み合わせて、その可能性を評価する。 このサロゲートはソース近傍では信頼性が低いため、時間変化の指数でツイストを誘惑し、初期の段階でその影響を下げる。 さらに、経路の内部に提案ノイズを集中させる橋梁型推論時拡散スケジュールを導入する。 テレスコープの重要度は、すべての中間ねじれ因子をキャンセルし、後肢に漸近的に正確なサンプリング器を与える。 経験的に、BridgeTwistは、クラス条件およびテキストプロンプト画像生成のトレーニングフリーベースラインよりも優れており、インペイント、デブロアリング、超解像に関する特殊な逆問題解決器と競合する。

関連論文リスト

• Reflected Schrödinger Bridge Matching [1.3048920509133808]
  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。
  論文  参考訳（メタデータ） (2026-07-03T23:01:13Z)
• QDSB: Quantized Diffusion Schrödinger Bridges [4.3331379059769395]
  本稿では,量子化拡散シュルディンガーブリッジ (QDSB) を提案する。 正規化最適結合は、アンカー近似の品質によって制御される誤差により、安定なw.r.t.アンカー量子化であることを示す。
  論文  参考訳（メタデータ） (2026-05-12T11:35:08Z)
• 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)
• 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)
• Stable generative modeling using Schrödinger bridges [0.22499166814992438]
  本稿では,Schr"odinger BridgesとLangevin dynamicsを組み合わせた生成モデルを提案する。 我々のフレームワークは自然に条件付きサンプルを生成し、ベイズ推論問題に拡張することができる。
  論文  参考訳（メタデータ） (2024-01-09T06:15:45Z)
• Debiased Fine-Tuning for Vision-language Models by Prompt Regularization [56.48290708901531]
  本稿では,Prompt Regularization(ProReg)と呼ばれる下流タスクにおける大規模視覚事前訓練モデルの微調整のための新しいパラダイムを提案する。 ProRegは、事前訓練されたモデルに微調整を正規化するよう促すことで予測を使用する。 本稿では,従来の微調整,ゼロショットプロンプト,プロンプトチューニング,その他の最先端手法と比較して,ProRegの性能が一貫して高いことを示す。
  論文  参考訳（メタデータ） (2023-01-29T11:53:55Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)

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。