从量子力学跨界来接替扩散模型？简化扩散薛定谔桥(S-DSB)：能够在任意两个分布之间进行双向生成！

今日应用

免费的MG动画制作软件

万彩动画大师是免费易上手的动画制作软件,MG动画制作软件,动画视频制作软件,微课制作软件,可用来制作企业宣传片,产品介绍短片,趣味课件视频,微课视频,演示演讲动画视频等.

今日话题

从量子力学跨界来接替扩散模型？简化扩散薛定谔桥(S-DSB)：能够在任意两个分布之间进行双向生成！

 

重点标签 S-DSB、扩散薛定谔桥、SGM、生成模型、计算机视觉

文章摘要

步骤2：撰写详细摘要
S-DSB（简化扩散薛定谔桥）是一种针对扩散薛定谔桥（DSB）收敛慢和训练难问题进行改进的生成模型。它通过简化DSB的loss函数、将SGM（基于分数的生成模型）适配到DSB框架，并提出两种重参数化方式来实现改进。S-DSB的目标是计算任意两个可采样分布之间的最优传输，具有双向生成的能力，且天生适合条件生成任务。

DSB（扩散薛定谔桥）是一个跨界概念，源自量子力学的薛定谔方程，用于解决最优传输问题。DSB不需要将分布限制为特定形式，能够实现任意两个分布之间的转换。DSB的训练过程采用迭代优化方法，通过优化相邻时间步之间的条件分布来近似求解。

S-DSB的提出基于对SGM和DSB的问题分析，解决了SGM的加噪方案设计困难、先验分布限制问题，以及DSB的收敛慢、训练难、资源要求高等问题。S-DSB的训练方式仍属于IPF（迭代比例拟合）框架，通过交替训练两个模型来实现。

S-DSB的重参数化技巧包括Terminal Reparameterized DSB（TR-DSB）和Flow Reparameterized DSB（FR-DSB），旨在降低模型训练难度，使模型在不同时间步拥有一致的target。此外，S-DSB的训练框架与DSB共享，只是在训练目标和加噪方式上存在差异。

作者还探讨了生成模型的通用训练框架，指出大部分生成模型实际共享同一套训练逻辑，只是在训练目标和加噪方式上有所不同。最后，文章提供了从零开始实现S-DSB的代码示例，包括noise schedule的实现、DSB建模、神经网络、数据集和训练pipeline的详细说明。

文章来源

原文地址: 点我阅读全文
原文作者: 极市平台