LBM: Latent Bridge Matching for Fast Image-to-Image Translation

一句话总结： LBM 将 Brownian Bridge 搬进 VAE 潜空间，用预训练 SDXL U-Net 拟合漂移项，仅需 1 步神经网络推理即可完成多种 Image-to-Image Translation，效果达到或超越需要 50 步的扩散模型基线。

🗂️ 基本信息

字段	内容
论文标题	LBM: Latent Bridge Matching for Fast Image-to-Image Translation
作者	Clément Chadebec, Onur Tasar, Sanjeev Sreetharan, Benjamin Aubin
机构	Jasper Research
arXiv	2503.07535
发表时间	2025 年 3 月（收录于 ICCV 2025 Highlight，pp. 29086–29098）
代码	github.com/gojasper/LBM
关键词	Bridge Matching · Latent Diffusion · Image-to-Image · 1-step inference

Image-to-Image Translation 本质是分布间的传输问题：将源域分布 π₀ 映射到目标域分布 π₁。

扩散模型的痛点

迭代去噪需要 50+ 步，实时应用受限
加速方案分两类：
- 高效 Solver（DDIM、DPM-Solver）→ 仍需较多步
- 蒸馏方法（Consistency Model 等）→ 多针对 text-to-image，难泛化至任意 I2I

Bridge Matching 的机会

Flow Matching / Bridge Matching 无需高斯噪化，可直接连接任意两个分布。但在高分辨率 I2I 任务上的扩展性尚未被充分验证，这正是 LBM 要填补的空白。