확산 모델은 흔히 정보가 없고 기억이 없는(forward) 전방 과정이 유도하는 독립적인 데이터-노이즈 결합(independent data-noise coupling) 때문에, 매우 휘어진 궤적과 시끄러운 점수(score) 타깃을 산출한다. 우리는 생성 모델링 프레임워크인 Adjoint Schrödinger Bridge Matching(ASBM)을 제안하며, 이를 통해 2단계에 걸쳐 고차원에서 최적 궤적을 복원한다. 첫째, Schrödinger Bridge(SB) 전방 동역학을 결합(coupling) 구성 문제로 보고, 데이터에서 에너지로 샘플링하는 관점(data-to-energy sampling perspective)에서 이를 학습하여 데이터를 에너지로 정의된 사전(prior)으로 전달한다. 그런 다음, 유도된 최적 결합으로 감독되는 단순한 매칭 손실(matching loss)을 통해 역방향 생성 동역학을 학습한다. 비(非)기억-없는(non-memoryless) 영역에서 동작함으로써 ASBM은 더 곧고(straighter) 더 효율적인 샘플링 경로를 생성한다. 기존 연구들과 비교했을 때 ASBM은 고차원 데이터로의 확장성에서 주목할 만한 향상된 안정성과 효율을 보인다. 이미지 생성을 위한 광범위한 실험에서 ASBM은 더 적은 샘플링 단계로 충실도(fidelity)를 향상시킨다. 또한 우리는 최적 궤적의 유효성을 1-step 생성기로의 증류(distillation)를 통해 추가로 시연한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.