LADB：用于半监督域转换的潜在对齐扩散桥
计算机视觉与模式识别
2026-03-03 v1
摘要
扩散模型在生成高质量输出方面表现优异，但在数据稀缺的域中面临挑战，往往需要大量重新训练或昂贵的配对数据。为解决这些限制，我们提出了潜在对齐扩散桥 (LADB)，一种用于样本到样本转换的半监督框架，有效地利用部分配对数据桥接域间差距。通过在共享潜在空间内对齐源域和目标域分布，LADB 无缝地将预训练的源域扩散模型与目标域潜在对齐扩散模型 (LADM) 集成在一起，后者在部分配对潜在表示上进行训练。该方法在无需完全监督的情况下实现确定性域映射。与常规无配对方法（通常缺乏可控性）和需要大规模特定域数据集的完全配对方法相比，LADB 通过利用配对和无配对潜在-目标耦合的混合，实现了保真度与多样性之间的平衡。我们的实验结果在部分监督下的深度到图像转换中显示出优异性能。进一步地，我们将 LADB 扩展到处理多源转换（从深度图和分割掩码）以及在受类条件制约的风格迁移任务中的多目标转换，展示了其在处理多样化和异构用例方面的灵活性。最终，我们将 LADB 作为一种可扩展且通用的解决方案，尤其适用于数据标注成本高或不完整的场景。
引用
@article{arxiv.2509.08628,
title = {LADB: Latent Aligned Diffusion Bridges for Semi-Supervised Domain Translation},
author = {Xuqin Wang and Tao Wu and Yanfeng Zhang and Lu Liu and Dong Wang and Mingwei Sun and Yongliang Wang and Niclas Zeller and Daniel Cremers},
journal= {arXiv preprint arXiv:2509.08628},
year = {2026}
}