Diffusion Bridge Implicit Models

本文介绍了扩散桥隐式模型（DBIMs）来加速扩散桥的采样，而无需额外训练。扩散去噪桥模型（DDBMs）是扩散模型的一种强大变体，用于在给定的端点上插值两个任意配对分布。尽管在图像翻译等任务中表现出有希望的性能，但DDBMs需要一个计算密集型的采样过程，其中涉及通过数百个网络评估模拟（随机）微分方程。我们通过一类关于采样的离散化时间步长的非马尔可夫扩散桥来推广DDBMs，这些扩散桥与DDBMs具有相同的训练目标。这些广义的扩散桥产生了从随机到确定性（即隐式概率模型）的生成过程，同时比DDBMs的普通采样器快25倍。此外，DBIMs产生的确定性采样过程通过在初始采样步骤中使用引导噪声，使得编码和重构更加准确，并且通过将引导噪声视为潜在变量，在图像翻译任务中允许我们执行语义上有意义的插值。

本文旨在解决Denoising diffusion bridge models (DDBMs)的采样过程中需要进行大量网络评估的问题，提出了一种加速采样的方法——diffusion bridge implicit models (DBIMs)。

DBIMs通过在离散化的时间步上定义一类非马尔可夫扩散桥，从而实现了DDBMs的加速采样，而且无需额外的训练。DBIMs所得到的生成过程可以是从随机到确定性的，而且采样过程是确定性的，从而可以进行准确的编码和重构，以及在图像翻译任务中进行有意义的插值。

本文提出的DBIMs采样速度比DDBMs的原始采样器快25倍，而且可以进行准确的编码和重构，以及在图像翻译任务中进行有意义的插值。实验使用了多个数据集，并且开源了代码。

与本文相关的研究包括：DDBMs、扩散模型、图像翻译等。