離散拡散ブリッジによる時空間整合画像変換と生成

本論文は、画像変換と画像生成における標準的な離散拡散モデルの時空間的な位置ずれ（spatiotemporal misalignment）を解決するためのフレームワーク、Discrete Diffusion Bridges (DDB) を提案している。標準的な離散拡散では、ランダムなスケジュールでデータを純粋なマスク状態に劣化させるが、その過程で空間的にはソース画像の構造的先行情報が失われ、時間的にはランダムなマスキング順序が推論時の「易しいものから先に、難しいものを後で」というデコード機構と矛盾する。DDBは、ドメイン間の直接かつ効率的な軌道を構築することで、この二重の位置ずれを解決する。

先行研究の標準的な離散拡散モデルは、画像変換や生成において、純粋なマスク状態への劣化によりソース画像の構造的先行情報を捨ててしまい、またランダムなマスキング順序が推論時のデコード機構と矛盾するという問題があった。DDBは、吸収状態をマスクとソーストークンの確率的混合に再定義するhybrid absorption機構と、情報量に基づくノイズスケジュールを導入することで、これらの問題を直接的に解決し、空間的・時間的な位置ずれを軽減する点が新しい。

手法の肝は、空間的にはhybrid absorption機構により、吸収状態をマスクとソーストークンの確率的混合として定義し、ソース画像の先行情報を潜在空間に空間的アンカーとして注入すること。時間的には、情報量に基づくノイズスケジュール（information-guided noise schedule）を設計し、セマンティックな変化量を定量化して、情報量の多い領域をより早いタイムステップで優先的に劣化させることで、モデルが不変領域からのロバストな文脈を用いて難しいセマンティックな変化を学習できるようにすること。

多様な生成パラダイムにわたる広範な実験により、フレームワークの汎用性とロバスト性を検証している。具体的には、テキスト誘導のセマンティック操作と純粋な構造的画像変換の両方で、編集の整合性と構造的忠実度のバランスを効果的に取れることを示し、さらにテキストから画像への生成を補完し、極めて少ないサンプリングステップでもロバストな高品質なデコードを保証することを示している。

要旨からは、提案手法の限界や特定の議論についての詳細は不明である。ただし、DDBが多様な生成パラダイムで有効であると主張している一方で、計算コストや他の拡散モデルとの比較など、具体的な議論は要旨には含まれていない。

要旨で参照されている関連研究は明示されていないが、離散拡散モデルや画像変換・生成の分野における標準的な手法として、Discrete Diffusion Models（例：D3PM）、Diffusion Bridges、Text-to-Image Diffusion Models（例：Stable Diffusion）などが関連する。次に読むべき論文としては、これらの基礎となる論文が挙げられる。