通过将高斯噪声逐渐应用于复杂的数据分布，构建了一个确定性的生成模型，对应于具有时间不均匀漂移的倒退随机微分方程，用基于分数匹配的方法估计漂移。本文提出了 Diffusion SB 方法来处理 Schrödinger Bridge 问题，近似了迭代比例拟合过程，DSB 具有广泛的适用性，是流形上 Sinkhorn 算法的连续状态空间概率化推广。

Jun, 2021

本文提出了基于逼近投影的 Schrödinger bridge 算法的首个收敛性分析，成功地将其应用于概率时间序列插补中，以生成缺失值并达到了业内的最佳表现。通过优化传输成本，该算法探索了概率时间序列中的时间和特征模式。

May, 2023

提出了变分薛定谔扩散模型 (VSDM)，利用变分推理线性化薛定谔桥前向评分函数，实现了无需模拟的训练过程，可用于优化传输计划中的扩散模型。VSDM 在模拟实验中表现出对非各向异性形状的高效生成能力，并产生了相较于单变量扩散更直线的样本轨迹。在真实数据中，验证了算法的可伸缩性，并在 CIFAR10 的无条件生成和时间序列建模的条件生成中达到了竞争性表现。值得注意的是，VSDM 不再依赖热启动初始化，而且在训练大规模实验中更易调参。

May, 2024

通过信息熵插值和薛定谔桥生成学习模型，该方法将评价量（Kullback-Leibler 散度）定义为参考分布与目标分布之间插值的过程，采用深度评分估计器和深度密度比估计器的演算法得到漂移项，该方案具有一定的可靠性和优越性，可用于生成学习领域。

Jun, 2021

本研究介绍了一种新颖的理论简化方法，将扩散薛定谔桥与基于评分的生成模型统一起来，解决了扩散薛定谔桥在复杂数据生成方面的局限性，实现了更快的收敛和更强的性能。通过将基于评分的生成模型作为扩散薛定谔桥的初始解决方案，我们的方法充分发挥了两个框架的优势，确保了更高效的训练过程并提高了基于评分的生成模型的性能。同时，我们还提出了一种重新参数化技术，尽管在理论上存在逼近，但在实践中可以提高网络的适应能力。我们进行了广泛的实验评估，证实了简化扩散薛定谔桥的有效性，并展示了其显著的改进。我们相信本研究的贡献为先进的生成建模铺平了道路。代码可在此 https URL 获取。

Mar, 2024

该论文提出了基于 BSDE 的扩散模型，采用适应现有评分函数的方法，确定在达到所需终端分布所需的初始条件。研究表明，采用 Lipschitz 网络进行评分匹配具有优势，该方法具有应用于不同领域（如扩散反演、条件扩散和不确定性量化）的潜力。该工作对得分为基础的生成学习领域做出了贡献，并为解决实际问题提供了一个有前途的方向。

Apr, 2023

本文研究了 Schrödinger 桥问题的最大似然估计等效性，并提出了使用高斯过程估计 Schrödinger 桥的数值方法，并展示了在数字模拟和实验中的实际应用。

Jun, 2021

该研究论文提出了一种通用的分布匹配算法，名为 Generalized Schrödinger Bridge Matching (GSBM)，用于训练扩散模型，并通过解决条件随机最优控制问题，采用变分近似和路径积分理论进行优化，从而在处理特定任务时显著提高可扩展性和稳定性。

Oct, 2023

本研究介绍了一种新的无配对数据图像翻译方法 ——Unpaired Neural Schrödinger Bridge (UNSB), 它结合了 Schrödinger Bridge 模型和对抗训练等方法来进行学习，有效解决了高分辨率图像翻译困难的问题。

May, 2023

该研究提出了一种新的方法来创造一对概率分布，以测试现有的神经 EOT / SB 求解器在高维空间中图像的 EOT 解决方案，通过该连续基准分布，已知其 EOT 和 SB 解决方案。

Jun, 2023