Tag · 4 篇

扩散桥模型

分布生成模型与扩散2强化学习与具身智能1底层视觉与图像复原1

Rethinking Visual Rearrangement from A Diffusion Perspective

将视觉重排建模为扩散桥过程，用点云输入和高斯混合分布表示物体状态，通过迭代去噪Transformer预测重排目标，为具身智能中的场景变化推理提供了新思路。

Resolving Endpoint Underfitting in Diffusion Bridges via Noise Alignment

扩散桥模型中目标端点附近的欠拟合问题被揭示，并通过噪声对齐映射解决，可直接用于改进图像复原和翻译任务中的扩散桥训练。

Residual Diffusion Bridge Model for Image Restoration

把扩散桥的SDE前向/反向过程写成解析形式，并用残差调制噪声注入与去除，使退化区域被复原、未退化区域不被破坏——这套「按残差自适应加噪」的机制可直接迁移到去噪、去雨、超分等任意配对复原任务，也给出了现有桥模型的统一数学框架。

DBMSolver: A Training-free Diffusion Bridge Sampler for High-Quality Image-to-Image Translation

把扩散桥 SDE/ODE 的半线性结构用指数积分器求解，得到免训练的一阶/二阶采样器，可直接替换现有 DBM 的采样环节，在 20 NFE 内把 FID 降低一半以上，适合需要低延迟的 I2I 翻译与修复流程。