[CV]《Incorporating Pre-trained Diffusion Models in Solving the Schrödinger Bridge Problem》Z Tang, T Hang, S Gu, D Chen... [Tsinghua University & Southeast University & University of Science and Technology of China] (2025)
将预训练扩散模型融入Schrödinger桥问题求解，开创训练稳定且高效的生成模型新范式：
• 统一Score-based Generative Models (SGMs)与Schrödinger桥（SB）问题，提出三种重参数化技术：IPMM（均值匹配）、IPTM（终点匹配）、IPFM（流匹配），显著提升SB训练速度与稳定性。
• 设计创新初始化策略，利用预训练SGMs作为强大起点，解决SB训练收敛慢、计算量大的瓶颈，实现SB与SGMs优势互补，训练更高效、生成质量更佳。
• 理论严谨证明重参数化训练目标与传统DSB方法等价，且支持直接替换预训练模型，避免传统SB方法因训练目标不匹配导致的性能下降。
• 通过高维高斯分布拟合、无条件图像生成（CelebA）、无配对图像翻译（AFHQ、Horse2Zebra、Selfie2Anime）及条件图像生成（ImageNet、CUB-200）等多任务广泛验证，均优于现有方法，特别在FID分数和KL散度表现卓越。
• 细致分析噪声调度对生成对齐度和多样性的影响，揭示预训练模型初始化如何引导SB训练快速收敛，避免训练不稳定和低效。
这项研究深刻连接了扩散模型与Schrödinger桥理论，开启生成模型训练的新思路，兼顾理论与实践，推动高分辨率自然图像及复杂条件生成任务的落地。
详见🔗 arxiv.org/abs/2508.18095
生成模型扩散模型Schrödinger桥无监督学习计算机视觉
