GuidedBridge: Training-freely Improving Bridge Models with Prior Guidance¶

会议: ICML 2026
arXiv: 2606.03119
代码: 待确认
领域: 图像生成 / Diffusion Bridge / Guidance
关键词: bridge model, prior guidance, frequency modulation, image translation, training-free

一句话总结¶

针对 diffusion bridge 模型（data-to-data 生成），论文提出训练免费的 Prior Guidance (PG)：通过对干净 prior 加扰动构造"弱 prior"，再把强/弱 prior 的两个 denoising 结果做外推来放大模型对 prior 的利用，并进一步用 U 型频率调制（FMPG）和 CFG-FMPG 级联框架，在 Edges→Handbags、DIODE、ImageNet inpainting 等任务上不增训练、不增 NFE 地稳定提升 DDBM / DBIM 等预训练 bridge 模型的 FID。

研究背景与动机¶

领域现状：Diffusion 的 guidance 已经有非常成熟的两大范式——CFG 用"条件 vs 无条件"两个 denoising 结果做外推强化条件对齐，AG 用"训得好 vs 训得欠"两个 denoising 结果做外推强化 score 准确度。二者本质都是"制造两个 denoising 之间的质量差，然后沿质量更高的方向外推"。同时，bridge 模型（DDBM、DBIM、I2SB 等）通过条件化在干净 prior \(\bm{x}_T\) 上把生成过程变成 data-to-data，对 image-to-image 翻译、修复这类已经有强先验的任务比从纯高斯噪声出发的 diffusion 更高效。

现有痛点：CFG/AG 可以直接搬到 bridge 上用，但它们都没有用到 bridge 与 diffusion 真正的关键差异——prior exploitation（利用 \(\bm{x}_T\) 提供的干净先验）。换句话说，搬过来的 guidance 只是在"强化条件"或"修分数误差"，没有专门强化"模型有没有真的把先验用透"。同时，AG 要专门多训一个 under-trained 网络，成本不低。

核心矛盾：bridge 区别于 diffusion 的最大优势没有对应的 guidance 设计；而且 bridge 的 SNR 沿采样轨迹是 U 形（两端干净、中间最噪），与 diffusion 单调上升的 SNR 完全不同，导致直接用恒定 guidance scale 对所有时间步、所有频率段一视同仁会浪费 bridge 自身的几何结构。

本文目标：(1) 设计第一个面向 bridge 的训练免费 guidance，让 guidance 信号直接对应到"prior exploitation"；(2) 让 guidance 强度匹配 bridge 的 U 形 SNR 与频域行为；(3) 在 prior 本身就很弱（如 inpainting 的 mask 区域）时让方法仍然可用。

切入角度：既然 CFG/AG 都是"造一个质量更差的 denoising 然后外推"，那么对 bridge 而言最自然的"造差"方式就是破坏掉模型可以用的 prior——bridge 没见过被扰动后的 prior，所以会给出更差的结果。这种"差"恰好对应到"prior 没用好"，外推方向天然就是"prior 用得更好"。

核心 idea：训练免费地对 \(\bm{x}_T\) 和每一步的 \(\bm{x}_t\) 加一个退化算子 \(\mathcal{H}\)（如加高斯噪声 / 模糊 / JPEG 压缩），用 \(D_{\bm{\theta}}(\bm{x}_t,t,\bm{x}_T)\) 与 \(D_{\bm{\theta}}(\mathcal{H}(\bm{x}_t),t,\bm{x}_T)\) 之差做 guidance 外推，并按 U 形 SNR 在高频/低频带上分别调度 guidance scale。

方法详解¶

整体框架¶

输入是一个预训练好的 bridge 模型（DDBM / DBIM）以及一个干净 prior \(\bm{x}_T\)（例如待翻译图、待修复图）。生成时不再调用单一的 \(D_{\bm{\theta}}(\bm{x}_t,t,\bm{x}_T)\) 来预测 \(\bm{x}_0\)，而是在每个采样步上：

用退化算子 \(\mathcal{H}\) 把当前噪声潜变量 \(\bm{x}_t\) 破坏成"弱 prior" \(\mathcal{H}(\bm{x}_t)\)（\(\bm{x}_T\) 始终保留为干净条件信号，不被退化）；
同时调用 \(D_{\bm{\theta}}(\bm{x}_t,t,\bm{x}_T)\) 与 \(D_{\bm{\theta}}(\mathcal{H}(\bm{x}_t),t,\bm{x}_T)\) 拿到强弱两个 denoising 结果；
用外推 \(D_{\text{PG}} = D_{\text{weak}} + w_{\text{PG}}(D_{\text{strong}} - D_{\text{weak}})\) 替换原本的 denoising 输出；
FMPG 进一步把这个外推拆到低频/高频两个频带上分别配 \(w^{\text{LF}}_{\text{PG}}\) 与 \(w^{\text{HF}}_{\text{PG}}\)；
对 inpainting 等弱 prior 任务，先用 CFG 跑一段 \(t\in[T,t_s)\) 产生粗结构，然后切到 FMPG 跑 \(t\in[t_s,0)\) 精修细节（CFG-FMPG 级联）。

整个流程不改训练、不加参数，只是替换采样时的 denoising 调用，且 NFE 与原 baseline 严格对齐（用更少采样步数补偿掉每步多一次前向的开销）。

关键设计¶

Prior Guidance (PG)——用退化 prior 制造质量差:
- 功能：把 CFG/AG 的"造差→外推"范式迁移到 bridge，但差的来源换成"prior 被破坏后的结果"。
- 核心思路：选一个训练免费的退化算子 \(\mathcal{H}\)（默认是加额外高斯噪声 \(\bm{\epsilon}\sim\mathcal{N}(\bm{0},\bm{I})\)），对干净 prior 和每个中间潜变量 \(\bm{x}_t\) 都施加得到 \(\mathcal{H}(\bm{x}_t)\)；因为 bridge 在预训练时从未见过这种退化后的 prior，模型给出的 \(D_{\bm{\theta}}(\mathcal{H}(\bm{x}_t),t,\bm{x}_T)\) 一定比 \(D_{\bm{\theta}}(\bm{x}_t,t,\bm{x}_T)\) 更差，两者外推 \(D_{\text{PG}} = D_{\bm{\theta}}(\mathcal{H}(\bm{x}_t),t,\bm{x}_T) + w_{\text{PG}}\,(D_{\bm{\theta}}(\bm{x}_t,t,\bm{x}_T) - D_{\bm{\theta}}(\mathcal{H}(\bm{x}_t),t,\bm{x}_T))\) 的方向就是"prior 用得更透"。条件信号 \(\bm{x}_T\) 在弱项里保持干净，确保差异只来自 prior 退化而不是条件改变。
- 设计动机：与 AG 必须再训一个 under-trained 网络相比，PG 完全免训练；与 CFG 强化"条件对齐"相比，PG 直接对应 bridge 区别于 diffusion 的本质优势——prior exploitation。实验里发现噪声、模糊、JPEG 压缩都能 work，说明这个范式对退化方式相当鲁棒。
Frequency-modulated PG (FMPG)——按 U 形 SNR 拆频带调度:
- 功能：让 guidance scale 沿采样轨迹和频率维度都"对症下药"，而不是恒定一个 \(w_{\text{PG}}\)。
- 核心思路：作者通过追踪 \(\Delta\bm{x}_t \to \Delta\bm{x}_0\) 的频域能量分布发现：bridge 的 SNR 是 U 形（两端干净、中间最低），所以在中间时间步上 HF（高频）prior 已经被噪声严重淹没——这里强行加 guidance 反而会放大噪声；而 LF（低频）prior 在整条轨迹上都还可读——中间时间步反而是强化 LF 的好机会。基于这个观察，把 PG 外推拆成两路：低频用低通滤波器 \(I^{\text{LF}}\) 取出，配倒 U 形的 \(w^{\text{LF}}_{\text{PG}}\)（中间时间步放大）；高频用 \(I^{\text{HF}}\) 取出，配 U 形的 \(w^{\text{HF}}_{\text{PG}}\)（中间时间步压缩、两端放大），形如 \(D^{\text{LF}}_{\text{FMPG}} = I^{\text{LF}}[D_{\text{weak}}] + w^{\text{LF}}_{\text{PG}}\,(I^{\text{LF}}[D_{\text{strong}}] - I^{\text{LF}}[D_{\text{weak}}])\)，\(D^{\text{HF}}_{\text{FMPG}}\) 同理。
- 设计动机：bridge 的 U 形 SNR 是 data-to-data 范式的几何特征，diffusion 的单调 SNR 上没有对应概念；FMPG 把这个几何直接编码进 guidance schedule，让 guidance 与 bridge 生成动力学对齐。作者强调 U 形/倒 U 形是经验上的粗调度——不需要精确对齐预训练 bridge 的 SNR 表，调度形状对就够了，这让 FMPG 仍然算 training-free 的轻量插件。
CFG-FMPG 级联——救场弱 prior 任务:
- 功能：当 prior 本身就难用（如 inpainting 中 mask 掉的中心 128×128 区域，根本没有像素信息可让 PG 退化）时，借 CFG 先把粗结构画出来，再让 FMPG 接手做细节精修。
- 核心思路：把采样轨迹切成两段——早期 \(t\in[T,t_s)\) 用 CFG 在类别标签 \(\bm{l}\) 上做条件对齐，给 mask 区域填进语义粗结构，得到一个已经含目标大致轮廓的中间潜变量；之后 \(t\in[t_s,0)\) 直接切到 FMPG，把这个 CFG 产物当作"已经够强的 prior"来 exploit。两段 guidance 共享同一个 bridge 网络与同一条采样轨迹，不增 NFE，只是分时段切换 guidance 公式。
- 设计动机：单用 PG 在 inpainting 上没差异可造（弱 prior 与强 prior 都很差），单用 CFG 又只能强化语义、不能拉高频细节；CFG 与 FMPG 在"语义对齐"和"prior 利用"上正好互补，时序级联是最低成本的整合方式。

损失函数 / 训练策略¶

完全 training-free。所有 bridge 检查点都直接用官方原版（DDBM 用推荐的 hybrid SDE-ODE 采样器，DBIM 用 \(\eta=0.0\) 的纯 ODE 模式）。实践调参用两步：先在 {加噪、模糊、JPEG、pooling} 里搜一个退化算子 \(\mathcal{H}\)，再调 \(w_{\text{PG}}\)（包括 FMPG 的频带分量），整体调参成本与 CFG/AG 同量级。

实验关键数据¶

主实验¶

NFE 严格与 baseline 对齐（用更少采样步数抵消每步多跑一次前向）。

数据集	指标	DBIM (基线)	DBIM+FMPG (本文)	NFE
Edges→Handbags 64×64	FID ↓	1.74	1.07	20
Edges→Handbags 64×64	FID ↓	0.91	0.78	100
DIODE-Outdoor 256×256	FID ↓	4.99	3.20	20
DIODE-Outdoor 256×256	FID ↓	2.58	2.06	100
DIODE	LPIPS ↓	0.201	0.199	20
Edges→Handbags	MSE ↓	0.005	0.005	20

DDBM 上同样有效：DDBM+PG 在 Edges→Handbags 上把 NFE=150 / 300 的 FID 从 1.30 / 0.65 降到 1.23 / 0.59。

消融实验¶

DIODE 上对比 PG 不同变体与 FMPG（baseline 为 DBIM）：

配置	NFE=10 FID	NFE=20 FID	NFE=40 FID	说明
DBIM (无 guidance)	7.99	4.99	3.35	原 baseline
ECSI (并行工作)	6.83	4.12	-	仅快速采样器
DBIM+PG (Blur)	7.33	3.89	2.64	退化用模糊
DBIM+PG (Noise)	6.25	3.77	2.96	退化用加噪
DBIM+FMPG (Noise)	5.28	3.20	2.62	频率调制后最佳

Edges→Handbags（10000 张）上 FMPG(noise) 在 NFE=6 时把 baseline 4.86 降到 4.54，NFE=100 时从 3.16 降到 3.08。

关键发现¶

FMPG > PG > baseline：把恒定 \(w_{\text{PG}}\) 拆成 U 形 + 倒 U 形的频带调度，在所有 NFE 上都进一步降 FID，证明 bridge 的 U 形 SNR 与频域行为确实需要专门的 guidance schedule；同时 PG (Noise) 与 PG (Blur) 哪个更强随数据集变化，说明"造差"的具体退化算子需要轻搜索而非通用最优。
NFE 越小提升越大：例如 DIODE 上 NFE=10 时 FID 从 7.99→5.28（-34%），NFE=100 时仅从 2.58→2.06（-20%），说明 FMPG 对快采样场景特别有价值——它"挤"出了 bridge 模型在少步采样下没充分用上的 prior 信息。
CFG-FMPG 是 inpainting 的钥匙：ImageNet 中心 128×128 mask 修复中，单用 PG 几乎没差异可造；但 CFG-FMPG 级联在质量上既超过纯 CFG 也超过 CFG 之外的简单 hybrid，定性结果可同时恢复语义布局与高频纹理。

亮点与洞察¶

"造差"范式的第三种填法：CFG 造"条件 vs 无条件"差、AG 造"训练充分 vs 不充分"差、PG 造"prior 干净 vs 退化"差。三者正交，意味着未来可以在同一采样器上叠加多种 guidance；论文里 CFG-FMPG 已经是个微缩示范。
训练免费但物理可解释：U 形高频调度不是凭空堆 trick，而是来自 \(\Delta\bm{x}_t \to \Delta\bm{x}_0\) 频域能量传递的直接可视化——中间时间步高频确实传不过去，所以 guidance 该退场。这种"先做诊断、再做调度"的设计套路完全可以复用到 audio bridge、video bridge 等其他 data-to-data 任务。
NFE 严格对齐的诚实比较：用更少采样步 + 每步多一次前向去匹配 baseline 的总 NFE，避免了"用 2× 算力换性能"的虚假提升，让 PG/FMPG 真正落在"免费午餐"上。

局限与展望¶

退化算子需要逐任务搜索：噪声 vs 模糊 vs JPEG 哪个最好依赖数据集，没有统一规则；论文给的是"两步调参"的工程做法，理论上为什么某种退化在某任务更优还未深入。
频带调度形状是手工先验：U 形 / 倒 U 形虽然来自 SNR 观察，但具体峰值位置、幅度仍要调；自适应、按时间步实时估计 LF/HF 可用度的 schedule 可能更优。
只验了图像翻译/修复：bridge 在音频超分、信号恢复、image-to-video 上同样常用，FMPG 能否迁移、U 形是否仍成立没有给出实验。
CFG-FMPG 切换时刻 \(t_s\) 仍需调参：在弱 prior 任务里切换早晚直接影响粗结构与细节的权衡，未来可以做成自动决策。

评分¶

新颖性: ⭐⭐⭐⭐ 把 CFG/AG 的"造差→外推"范式干净地迁移到 bridge，并第一次把 U 形 SNR 与频域行为编码进 guidance schedule。
实验充分度: ⭐⭐⭐⭐ 覆盖 DDBM/DBIM 两个 backbone、Edges→Handbags / DIODE / ImageNet 三个任务、NFE 从 6 到 300 的完整曲线，并对比 DDIB/SDEdit/Pix2Pix/I2SB/ECSI 多个基线，但缺音频/视频 bridge 的迁移验证。
写作质量: ⭐⭐⭐⭐ 从"造差"统一视角讲清楚 CFG/AG/PG/FMPG 的关系，频域分析图与 U 形 SNR 配合到位，公式与算法表述清晰。
价值: ⭐⭐⭐⭐ 真正训练免费、不加 NFE 的 bridge 通用插件，对所有用 DDBM/DBIM 跑 image translation/restoration 的工作直接可用，落地价值高。