技術的サマリー：構造化拡散ブリッジ：ノイズ除去拡散ブリッジのための帰納的バイアス

1. 問題定義

モダリティ変換（画像から 3D、低解像度から高解像度など、異質なドメイン間の情報をマッピングするタスク）は、本質的に制約が不十分である。複数のクロスモーダルマッピングが同じ周辺分布を生み出す可能性がある一方で、既存のノイズ除去拡散ブリッジモデル（DDBM）および潜在ノイズ除去拡散ブリッジモデル（LDDBM）は、効果的な変換を定義するために主に完全な対データに依存している。

この一貫した対教師信号への依存は、単一のデータ駆動型制約を課し、暗黙的に意味的対応、分布の妥当性、幾何学的整合性を同時に強制する。著者らは、この戦略が最適ではないと主張する。なぜなら、モデルは基礎となる多様体構造に従うことなく、再構成誤差を最小化する可能性があるからである。さらに、このアプローチは、真の対応関係が存在しない、あるいは希少である非対または半対の領域では機能せず、密な対付けがしばしば不可能な現実世界のシナリオにおける拡散ブリッジの適用可能性を制限している。

2. 手法：構造化拡散ブリッジ（SDB）

本論文は、明示的かつ構成可能な構造的制約を LDDBM に付加するフレームワークである**構造化拡散ブリッジ（SDB）**を提案する。対教師信号を前提条件として扱うのではなく、SDB はそれを、許容される解の空間を特徴づけるより広範な目的関数内でのオプション的なヒューリスティックとして扱う。

核心的な手法は、ソース周辺分布 $p_X$ とターゲット周辺分布 $p_Y$ の間で共有された潜在空間における確率的拡散ブリッジを学習することである。結合分布 $p(x, y)$ の曖昧さを解決するために、SDB は 3 つの主要なコンポーネントを導入する。

2.1. 周辺分布マッチング（MM）

この制約は、拡散ブリッジがターゲット周辺分布 $p_Y$ で終了することを保証する。

• メカニズム: 訓練中、ターゲットサンプルはエンコードされ、汚染される。ブリッジスコア関数は、ノイズ除去スコアマッチング（DSM）を通じて訓練される。
• ヒューリスティック: 結合の曖昧さを軽減するため、**勝者総取り（WTA）**割り当てが使用される。各ターゲットサンプルに対して複数の条件付け候補が引き出され、勾配は損失を最小化する候補のみを通じて伝播される。容量制約により、少数の低情報サンプルが訓練を支配することを防いでいる。

2.2. 橋の可逆性としてのサイクル整合性（CC）

対データなしで幾何学的整合性と可逆性を強制するため、SDB は 2 つのレベルでサイクル整合性制約を導入する。

• エンドポイントサイクル整合性: 変換 $z_0 \to z_T \to \hat{z}_0$ によって得られた再構成された潜在表現 $\hat{z}_0$ が、元の $z_0$ と統計的に整合していることを強制する。これは $\| \hat{z}_0 - z_0 \|^2$ の最小化として定式化される。
• 軌道レベルサイクル整合性: 可逆性を中間拡散状態に拡張する。これは、前方潜在経路 $z_{t}^{X \to Y}$ と後方潜在経路 $z_{T-t}^{Y \to X}$ が、一致する拡散時刻 $t$ において整合していることを要求する。これにより、軌道全体にわたる確率的流れが正則化され、エンドポイント制約は満たすが中間ステップで失敗する可能性のある不整合なダイナミクスが防止される。

2.3. 統合目的関数

最終的な訓練目的関数は、これらのヒューリスティックをオプションの対教師信号と組み合わせる。
$$\mathcal{L}_{total} = \mathcal{L}_{DSM} + \lambda_{end}\mathcal{L}_{end}^{cycle} + \lambda_{traj}\mathcal{L}_{traj}^{cycle} + \lambda_{pair}\mathbb{1}_{(x,y) \in D_{pair}}\mathcal{L}_{pair}$$
ここで、$\mathcal{L}_{pair}$ は対データが利用可能な場合、DDBM の標準的なデータ駆動型ヒューリスティックを回復する。このフレームワークは、非対（$\rho=0$）、半対（$0 < \rho < 1$）、完全対（$\rho=1$）の領域全体でシームレスに動作することを可能にする。

3. 主要な貢献

著者らは、以下の通り貢献を要約している。

1. 複合目的関数の定式化: 対教師信号を単一の駆動要因ではなく、複数の制約のうちの 1 つとして扱う複合目的関数として拡散ブリッジの訓練を定式化した。
2. 明示的構造的正則化: 周辺分布マッチングと多レベルサイクル整合性（エンドポイントおよび軌道）を導入し、幾何学的強制が完全対の環境であっても変換の品質を向上させることを実証した。
3. 低リソース環境における頑健性: 対データが減少しても SDB が有効性を維持し、対付け要件の大幅な緩和にもかかわらず完全対に近い品質を達成し、完全非対の領域でも適用可能であることを実証した。
4. アブレーション分析: 各制約の貢献を分離した包括的な分析を提供し、拡散軌道の形成と結合曖昧さの解決におけるそれらの役割を浮き彫りにした。

4. 実験結果

この手法は、対教師信号のレベル（$\rho$）を変化させた、合成ベンチマークおよび現実世界のタスク（画像超解像、マルチビューから 3D ボクセル生成）で検証された。

• 合成ベンチマーク: 既知のコンテンツ・スタイル構造を持つ制御された環境において、SDB は周辺分布マッチングのみではコンテンツ精度が低く、サイクル誤差が高いことを示した。エンドポイントおよび軌道サイクル整合性を追加することで、結合の品質と可逆性が大幅に向上した。SDB は、半対の環境で対のみのベースラインを一貫して上回り、非対の環境でも強力な性能を維持した。
• 画像超解像（FFHQ $\to$ CelebA-HQ）:
  • 完全対（$\rho=1$）: SDB は PSNR 25.9 を達成し、LDDBM ベースライン（25.6）を上回った。
  • 半対（$\rho=0.5$）: SDB は、完全教師ありベースラインと比較して競争力のある性能（PSNR 25.2）を維持した。
  • 非対（$\rho=0$）: SDB は PSNR 19.0 を達成し、DiWa や LDDBM などのベースラインが適用不可能な環境でも意味のある変換能力を実証した。
• マルチビューから 3D（ShapeNet）:
  • SDB は、対および半対の領域において、拡散ベースのベースライン（EDM、LDDBM）を上回った。
  • 重要なのは、ベースラインが非対の領域（$\rho=0$）で失敗するか適用不可能であったのに対し、SDB は適用可能であり、IoU 0.549 および 1-NNA 0.657 を達成し、限られた対付けに対する頑健性を示した点である。

5. 意義と主張

本論文は、拡散ブリッジが完全な対データを超えたモダリティ変換のための柔軟な基盤を提供すると主張する。原理的な幾何学的強制（サイクル整合性を通じて）を例に基づく手法と統合することで、SDB はモダリティ変換の制約不十分という性質に対処する。

著者らは以下の点を強調している。

• 密な対付けは意味的整合のために常に必要ではない。 幾何学的制約は、変換の本質的なメカニズムを効果的に捉える。
• このフレームワークは、対付けが減少しても破綻的な失敗ではなく、優雅な劣化を可能にする。
• 明示的構造的制約は、対データが豊富であっても性能を向上させる可能性があり、現在のデータ駆動型アプローチが問題の本質的な構造を十分に活用していないことを示唆している。

この研究は、SDB を対手法の代替としてではなく、明示的構造的制約を通じてブリッジベース変換を強化する、より一般的なフレームワークとして位置づけており、対データが希少、あるいは存在しないシナリオでも実用的なものとしている。