扩散桥模型为连接两个数据分布提供了强有力的框架，在图像修复、图像翻译等任务中有着广泛的应用。许多现有方法通过模仿标准扩散模型的分数匹配（score-matching）公式来学习这一桥梁。然而，这篇由Yurong Gao等五位作者完成、已被CVPR 2026接收的论文指出，这种学习方式在过程接近目标分布（即t→0）时，会在目标端点附近引发一种异常欠拟合现象。
研究者将这种欠拟合描述为预测方差与预测方向出现显著漂移，其根源在于网络输入与其回归目标之间的噪声水平差异过大。换言之，当采样过程逼近目标端点时，网络所接收的含噪输入与它需要回归的干净目标之间在噪声强度上严重失配，导致模型难以在该关键区域准确拟合。由于端点附近恰恰是生成结果最终成形的阶段，这一问题会直接影响桥梁模型的输出质量。
为化解这一难题，作者提出了“噪声对齐扩散桥”（Noise-Aligned Diffusion Bridge，简称NADB）。该方法对扩散桥的建模方式进行了重新表述，分为两个核心步骤：首先引入一个均值网络（mean network），用于提供更为干净的条件目标；随后设计了一种新颖的、经过噪声对齐的映射关系。通过这一新的公式化表述，模型输入与回归目标之间的噪声失配得到纠正，目标端点附近的欠拟合问题也随之得到修正。
在实验层面，作者在多种图像修复与图像翻译任务上对NADB进行了验证，结果表明该方法能够有效应对上述端点欠拟合问题，并取得良好效果。论文摘要同时提供了代码仓库地址（https://github.com/gyr02/NADB），便于研究者复现与进一步探索。
从时间线与元数据来看，该论文于2026年5月27日提交至arXiv，提交时间为UTC 18:07:21，文件大小约7,768 KB，编号为arXiv:2605.28962，属于计算机视觉与模式识别（cs.CV）类别，并被标注为CVPR 2026接收论文。论文第一作者为Yurong Gao，另有四位合作者。感兴趣的读者可通过arXiv页面获取PDF、实验性HTML版本以及TeX源码，DOI信息由DataCite提供，尚处于待注册状态。综合而言，这项工作聚焦于扩散桥模型在端点的拟合缺陷，提出以噪声对齐为核心的重新表述，为图像修复与翻译等基于桥梁模型的应用提供了新的改进思路。