DCDB：用于非结构多任务的动态条件双扩散桥

条件扩散模型在图像处理领域取得了显著进展，但其构建数据分布路径的特性使其难以在多任务场景中利用任务间的内在关联，尤其是在训练数据稀缺的非结构任务中更为突出。此外，传统的静态条件控制使得网络难以学习具有动态演化特性的多任务场景。为此，我们提出一种用于非结构多任务的动态条件双扩散桥训练范式，以构建通用框架。首先，本范式解耦了扩散和条件生成过程，避免了非结构任务中扩散模型对监督数据的依赖。其次，由相同的噪声计划生成的动态条件用于逐步调整其统计特性，自然嵌入时间相关信息，降低网络学习的难度。我们分析了在单步去噪过程中不同条件形式下的网络学习目标，并比较了其注意力权重的变化，证明了动态条件的优越性。以去雾和可见红外融合为典型的非结构多任务场景，我们在多个指标上在公开数据集上实现最佳性能。代码已公开发布于：https://anonymous.4open.science/r/DCDB-D3C2。