Simplified Diffusion Schrödinger Bridge

要約

このペーパーでは、スコアベースの生成モデル (SGM) との統合を促進する拡散シュレーディンガー ブリッジ (DSB) の新しい理論的単純化を紹介し、複雑なデータ生成における DSB の制限に対処し、より高速な収束とパフォーマンスの向上を可能にします。
DSB の初期ソリューションとして SGM を採用することで、私たちのアプローチは両方のフレームワークの長所を活用し、より効率的なトレーニング プロセスを確保し、SGM のパフォーマンスを向上させます。
また、理論的な近似にもかかわらず、ネットワークのフィッティング能力を実際に向上させる再パラメータ化手法も提案します。
私たちの広範な実験評価により、単純化された DSB の有効性が確認され、その大幅な改善が実証されました。
私たちは、この研究の貢献が高度な生成モデリングへの道を開くと信じています。
コードは https://github.com/checkcrab/SDSB で入手できます。

要約(オリジナル)

This paper introduces a novel theoretical simplification of the Diffusion Schr\’odinger Bridge (DSB) that facilitates its unification with Score-based Generative Models (SGMs), addressing the limitations of DSB in complex data generation and enabling faster convergence and enhanced performance. By employing SGMs as an initial solution for DSB, our approach capitalizes on the strengths of both frameworks, ensuring a more efficient training process and improving the performance of SGM. We also propose a reparameterization technique that, despite theoretical approximations, practically improves the network’s fitting capabilities. Our extensive experimental evaluations confirm the effectiveness of the simplified DSB, demonstrating its significant improvements. We believe the contributions of this work pave the way for advanced generative modeling. The code is available at https://github.com/checkcrab/SDSB.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google