通过将得分匹配技术与运算学习相结合，我们提出了解决无限维桥问题的方案，使得无限维桥的得分匹配可以以直接的方式进行。我们的方法在一系列实验中展现了高效性，尤其因其能够适应任何分辨率而无需额外的训练。

May, 2024

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

提出了一种新的采样迭代算法，用于解决 Schrödinger 桥问题，该算法展现了一种吸引人的性质，能够在每个步骤中实现目标度量之间的有效耦合关系，并且能够作为一种无近似方法用于实现生成模型，具有更大的灵活性、更快的训练速度和更好的样本质量。

Apr, 2023

该论文通过扩散过程进行生成模型，通过选择适当的扩散桥混合，构造了以所需数据分布为目标的扩散过程，并且通过新的训练目标，可以通过神经网络进行逼近。

Dec, 2023

在这项研究中，我们提出了一种新的文本到语音系统，Bridge-TTS，通过将已建立的基于扩散的 TTS 方法中的嘈杂高斯先验替换为干净的确定性先验，以实现对目标的强结构信息的首次替代。

Dec, 2023

本文提出了一种新的框架来解决扩散过程参数估计中存在的难题，并将其应用于 Markov 链蒙特卡罗法中的数据扩充。该方法使用了一种基于随机游走的 Metropolis-Hastings 采样器来更新扩散程的参数，成功地解决了先前方法中的困难点。

Jun, 2014

我们提出了一种新的生成模型类别，通过同时建模每个数据点的状态和维度，自然地处理各种维度的数据。该生成过程被制定为在不同维度空间之间跳跃的跳跃扩散过程。我们首先定义一个破坏维度的前向噪声过程，然后导出维度创建的时序反转生成过程，以及用于学习逼近它的新型证据下界训练目标。通过模拟我们学习到的时序反转生成过程的逼近值，联合生成状态值和维度，提供了一种有效的采样不同维度的数据的方法。我们在不同维度的分子和视频数据集上演示了我们的方法，并相对于分别生成状态值和维度的固定维度模型报告了更好的兼容性和改进的插值能力。

May, 2023

通过在潜空间中利用 Schr {"o} dinger bridge 扩散模型构建新的生成学习方法，本文对当前扩散模型进行了全面的理论分析，包括利用预训练的编码器 - 解码器架构和 Schr {"o} dinger bridge 框架开发了潜空间中的扩散模型，通过控制生成分布和目标分布之间的二阶 Wasserstein 距离，获得了收敛速率，从而为现有的扩散模型提供了稳健的理论支持。

Apr, 2024

本研究重新考虑扩散模型的总体框架，将其视为具有未观察到扩散轨迹的潜在变量模型，并应用于数据不受限制的领域。利用最大似然估计，我们表明模型构建和潜在路径的插补都可以构造扩散桥过程，实现端点的确定值和约束条件，并提供一套系统的研究和工具，进而提出了学习扩散生成模型的第一个理论误差分析和学习不同离散和受限领域数据的简单而统一的方法。实验证明，我们的方法在生成图像、语义分段和 3D 点云方面表现出色。

Aug, 2022

该论文提出了基于深度学习的方法来对非归一化目标密度进行建模，并使用特定问题的 Schrödinger 桥问题来确定在给定先验分布和指定目标之间的最有可能的随机演变，其中包括前面出现的目标作为特殊情况。

Jul, 2023