Simplified Diffusion Schrödinger Bridge

本文介绍了一种新的理论简化Diffusion Schr\"odinger Bridge（DSB）的方法，使其能够与基于Score的生成模型（SGM）统一，解决了DSB在复杂数据生成方面的局限性，并实现了更快的收敛和更好的性能。通过使用SGM作为DSB的初始解决方案，我们的方法利用了两种框架的优点，确保了更高效的训练过程，并提高了SGM的性能。我们还提出了一种重新参数化技术，尽管存在理论上的近似，但实际上提高了网络的拟合能力。我们进行了广泛的实验评估，证实了简化的DSB的有效性，并展示了其显著的改进。我们相信这项工作的贡献为先进的生成建模铺平了道路。代码可在https://github.com/tzco/Simplified-Diffusion-Schrodinger-Bridge上获得。

本论文旨在简化扩散薛定谔桥（DSB）的理论，以便将其与基于分数的生成模型（SGM）统一起来，解决DSB在复杂数据生成方面的限制，并实现更快的收敛和增强的性能。

通过使用SGM作为DSB的初始解决方案，利用两种框架的优势，确保更高效的训练过程并提高SGM的性能。同时，提出了一种重新参数化技术，实际上提高了网络的拟合能力。

论文提出的简化DSB方法在实验中得到了验证，证明了其显著的改进。代码已在GitHub上开源。

最近在这个领域中，还有一些相关研究，如： 'Score-Based Generative Modeling through Stochastic Differential Equations'，'Diffusion Probabilistic Models for Deep Generative Networks'等。