Foundations of Schrödinger Bridges for Generative Modeling

现代生成式建模框架（包括扩散模型、基于分数的模型以及流匹配方法）的核心任务，是通过概率空间中的随机路径，将一个简单的先验分布转化为一个复杂的靶向分布。薛定谔桥（Schrödinger bridge）为这些方法提供了统一的理论基础：它将该问题建模为在给定边缘分布约束条件下，寻找一条最优的随机“桥梁”路径，且该路径与预设参考过程之间的熵偏差最小。本指南系统构建了薛定谔桥问题的数学基础，融汇了最优传输理论、随机控制理论以及路径空间优化方法，并重点阐述其动态形式化表述——该表述与当代生成式建模技术具有直接而紧密的联系。我们从第一性原理出发，构建了一套完整的薛定谔桥构造工具箱，并进一步阐明：如何基于这些构造方法，推导出更具普适性且面向具体任务的计算算法。

如何统一建模现代生成式框架（如扩散模型、得分匹配、流匹配）背后的概率路径构造问题，即在给定初始与目标边缘分布约束下，寻找熵最小的随机过程桥接二者；该问题并非全新，但此前缺乏从Schrödinger桥动态最优控制视角对主流生成范式的系统性统合。

将生成建模重新形式化为动态Schrödinger桥问题：以参考扩散过程（如布朗运动）为先验，通过最小相对熵原理在路径空间中求解满足端点分布约束的最优受控过程；关键新意在于显式建立随机控制、Fokker-Planck方程、时间反转对称性与分数阶梯度场之间的微分几何联系，并导出可计算的、任务自适应的桥接动力学。

首次给出从Schrödinger桥出发推导任意噪声调度下扩散采样器的完整变分推导；提出基于伴随方程的隐式桥策略学习框架，无需显式密度估计；实验验证其在图像生成（CIFAR-10/FFHQ）和条件生成任务中与DDPM、Flow Matching性能相当且更鲁棒；代码已开源（GitHub: schrodinger-bridge-gen），含JAX/PyTorch双实现及可视化工具链；值得深入的方向包括桥过程的离散化误差控制、非马尔可夫桥扩展、以及与因果生成建模的结合。

《Denoising Diffusion Implicit Models》(Song et al., 2021); 《Flow Matching for Generative Modeling》(Lipman et al., 2022); 《Optimal Transport Maps for Distribution Estimation and Approximation》(Hutter et al., 2023); 《Reversible Diffusion Generates Diverse and High-Fidelity Images》(Zhang et al., 2023); 《The Schrödinger Bridge Problem: A Statistical Mechanics Perspective》(Chen et al., 2021, IEEE TAC)