Im herausfordernden Bereich der Bild-zu-Bild-Übersetzung erfordern die meisten traditionellen Methoden separate Modelle für verschiedene Übersetzungsrichtungen, was zu einer ineffizienten Nutzung von Rechenressourcen führt. Dieses Papier führt das Bidirektionale Brownian Bridge Diffusionsmodell (BiBBDM) ein, einen neuartigen Ansatz, der Brownian Bridge Prozesse für die bidirektionale Bild-zu-Bild-Übersetzung nutzt. Im Gegensatz zu herkömmlichen Diffusionsmodellen (DMs), die die Bild-zu-Bild-Übersetzung als einen unidirektionalen bedingten Erzeugungsprozess behandeln, modelliert BiBBDM die Übersetzung als einen stochastischen Brownian Bridge Prozess, der das gleichzeitige Lernen der bidirektionalen Übersetzung zwischen zwei Domänen ermöglicht. Diese Innovation ermöglicht es unserer Methode, bidirektionale Bildübersetzung unter Verwendung unterschiedlicher Sampling-Richtungen eines einzigen Modells zu erreichen, wodurch die Notwendigkeit für mehrere Modelle für beide Übersetzungsrichtungen entfällt. Soweit wir wissen, ist BiBBDM das erste Bildübersetzungsframework, das gleichzeitiges Dual-Domain-Sampling mit demselben Modell und denselben Parametern basierend auf Brownian Bridge Diffusionsprozessen erreicht. Umfassende experimentelle Ergebnisse über verschiedene Benchmarks zeigen, dass BiBBDM eine wettbewerbsfähige Leistung erzielt, was sowohl durch visuelle Inspektion als auch durch quantitative Metriken belegt wird.
Xue et al. (Mon,) untersuchten diese Frage.