量化扩散 Schrödinger 桥
机器学习
2026-05-13 v1 机器学习
摘要
在源分布和目标分布仅通过无配对样本指定的setting中学习生成模型正日益受到关注。此时，常用的模型是 Schrödinger 桥（SB），它代表两端分布之间最可能的演化。为加速训练，simulation-free SB 通过避免原始 SB 模型的路径模拟来实现。然而，学习 simulation-free SB 需要配对数据；即通过求解 entropic optimal transport（OT）问题获得源和目标样本的耦合。由于在许多实际情况下获取 optimal global coupling 难以实现，entropic OT 题目被迭代地在小批量上求解。尽管如此，重复成本仍然显著，局部性可能会扭曲全局 transport geometry。我们提出量化扩散 Schrödinger 桥（QDSB），其计算基于锚化量化端点的耦合，并通过 cell-wise 采样将其提升回原始数据点。我们表明，正则化 optimal coupling 相对于锚化量化具有稳定性，其误差由锚化近似质量控制。在真实世界的实验中，QDSB 在样本质量上与现有基线相当，所需时间显著减少。代码和数据已提供于 github.com/mathefuchs/qdsb。
引用
@article{arxiv.2605.11983,
title = {QDSB: Quantized Diffusion Schr\"odinger Bridges},
author = {Tobias Fuchs and Florian Kalinke and Nadja Klein},
journal= {arXiv preprint arXiv:2605.11983},
year = {2026}
}