拡散ブリッジモデルは、画像復元や画像翻訳などのタスクにおいて、二つのデータ分布を結びつける強力な枠組みを提供する。既存の多くの手法は、標準的な拡散モデルのスコアマッチング定式化を模倣することでこのブリッジを学習している。しかし本論文は、この学習方法が、プロセスが目標分布に近づく（t→0）際に、目標端点付近で異常な過小適合（アンダーフィッティング）現象を引き起こすことを明らかにした。本論文はYurong Gao氏ら5名の著者によるもので、CVPR2026に採択されている。
この過小適合は、予測される分散と方向に顕著なドリフトが生じることを特徴とし、その原因は、ネットワークの入力と回帰ターゲットとの間のノイズレベルの不一致が過度に大きいことにある。つまり、サンプリング過程が目標端点に近づくにつれて、ネットワークが受け取るノイズを含む入力と、回帰すべきクリーンなターゲットとの間でノイズ強度が大きく食い違うため、モデルはこの重要な領域で正確に適合できなくなる。端点付近は生成結果が最終的に形作られる段階であるため、この問題はブリッジモデルの出力品質に直接影響する。
この課題を解決するため、著者らは「ノイズ整合拡散ブリッジ（Noise-Aligned Diffusion Bridge、NADB）」を提案する。本手法は拡散ブリッジのモデリングを再定式化するもので、二つの主要なステップからなる。まず平均ネットワーク（mean network）を導入して、よりクリーンな条件付きターゲットを提供し、次に新規のノイズ整合マッピング関係を導入する。この新しい定式化により、入力と回帰ターゲットの間のノイズの不一致が解消され、目標端点付近の過小適合が修正される。
実験面では、著者らは複数の画像復元および画像翻訳タスクでNADBを検証し、本手法が上記の端点過小適合問題に効果的に対処し、良好な結果が得られることを示した。論文の要旨ではコードリポジトリのURL（https://github.com/gyr02/NADB）も公開されており、研究者が再現やさらなる探求を行うことが可能である。
タイムラインとメタデータに関しては、本論文は2026年5月27日にarXivへ投稿され、投稿時刻はUTC 18:07:21、ファイルサイズは約7,768 KB、番号はarXiv:2605.28962で、コンピュータビジョンとパターン認識（cs.CV）のカテゴリに属し、CVPR 2026採択論文として記載されている。筆頭著者はYurong Gao氏で、他に4名の共著者がいる。関心のある読者はarXivページからPDF、実験的なHTML版、TeXソースを取得でき、DOI情報はDataCiteにより提供され、登録待ちの状態にある。総じて、本研究は拡散ブリッジモデルの端点における適合の欠陥に焦点を当て、ノイズ整合を核とした再定式化を提案することで、画像復元や翻訳などブリッジモデルに基づく応用に新たな改善の道筋を示している。