Frequency Regulation for Exposure Bias Mitigation in Diffusion Models
School of Information Science and Engineering（信息科学与工程学院）
本文针对扩散模型的暴露偏差问题，基于反向过程预测噪声样本能量低于正向过程扰动样本的观察，提出动态频率调节机制，推导暴露偏差数学形式，提升生成质量且无需训练。
2025-08-23 cs.CV
MixFlow Training: Alleviating Exposure Bias with Slowed Interpolation Mixture
Shanghai Innovation Institute（上海创新研究院）；Fudan University（复旦大学）；The Chinese University of Hong Kong（香港中文大学）；Baidu（百度）；Shanghai Academy of AI for Science（上海人工智能科学研究院）
研究扩散模型训练-测试差异问题，提出MixFlow方法，利用慢流现象的慢插值混合对预测网络后处理，在类条件图像生成和文本到图像生成实验中验证有效，在RAE模型的ImageNet生成任务上取得好结果。
2026-07-14 cs.AI cs.CV
Spectral Prior for Reducing Exposure Bias in Diffusion Models
Sony AI（索尼人工智能）；Sony Group Corporation（索尼集团公司）
研究针对扩散模型曝光偏差问题，提出频谱对齐（SPA）方法，通过离线拟合参数频谱模型及推理时基于快速傅里叶变换的梯度计算引导，减少计算开销且与CFG互补，在多种架构上实现一致改进。
2026-07-27 cs.CV
Alleviating Exposure Bias in Diffusion Models through Sampling with Shifted Time Steps
KU Leuven（鲁汶大学）
本文针对扩散概率模型推理中的曝光偏差问题，提出无需重新训练的Time-Shift Sampler采样方法，通过为每个反向时间步寻找更优耦合的偏移时间步，显著提升FID分数并兼容多种采样算法。
2024-06-16 cs.CV
Bias mitigation in graph diffusion models
School of Information Science & Engineering, Lanzhou University（兰州大学信息科学与工程学院）
本文提出方法缓解图扩散模型中的反向起始偏差和暴露偏差，通过改进的Levin采样算法和新的得分修正机制，无需修改网络即可在多个模型和任务中取得最佳效果。
2026-04-02 cs.CV
Bias-Constrained Diffusion Schedules for PDE Emulations: Reconstruction Error Minimization and Efficient Unrolled Training
Technical University of Munich（慕尼黑工业大学）
本文提出适应性噪声调度和代理展开训练方法，通过减少重构误差和计算成本提升PDE仿真的短期精度和长期稳定性。
2026-04-10 cs.LG
Why Exposure Bias Matters: An Imitation Learning Perspective of Error Accumulation in Language Generation
Mila（米拉研究所）；McGill University（麦吉尔大学）；Borealis AI（Borealis人工智能公司）；Zalando SE（Zalando股份公司）
当前的语言生成模型存在重复、不连贯和幻觉等问题。一个经常被重复的假设是，生成模型的这种脆弱性是由训练和生成过程不匹配造成的，也称为暴露偏差。本文从模仿学习的角度对暴露偏差进行了分析，验证了这一假设。我们发现，曝光偏差导致积累的错误，分析为什么困惑未能捕捉这种积累，并实证表明，这种积累的结果在不良的一代质量。复制这些实验的源代码可在https://github.com/kushalarora/quantifying_exposure_bias上获得
2023-01-09 cs.AI cs.CL cs.LG
Fixing exposure bias with imitation learning needs powerful oracles
Heidelberg University（海德堡大学）；Google Research（谷歌研究院）
我们应用模仿学习（IL）来解决NMT暴露偏差问题与纠错的预言，并评估SMT网格为基础的预言，尽管其出色的性能在无约束的预言翻译任务，原来是过于修剪和特质，作为IL的预言。
2021-09-17 cs.CL cs.LG
Correcting Exposure Bias for Link Recommendation
Amazon（亚马逊）；Carnegie Mellon University（卡内基梅隆大学）；Rutgers University（罗格斯大学）；Amazon Web Services (AWS) AI Labs（亚马逊云科技（AWS）人工智能实验室）
链接预测方法经常应用于推荐系统中，例如，为学术论文或社交网络中的朋友建议引用。然而，当用户系统性地暴露于某些相关项目时，可能会出现暴露偏差。例如，在引文网络中，作者可能更有可能遇到来自自己领域的论文，从而优先引用它们。这种偏差可以通过简单训练的链接预测器传播，导致有偏差的评估和高泛化误差（如通过真实相关性评估的）。此外，反馈回路可能会加剧这种偏见。我们提出了估计，利用已知的曝光概率，以减轻这种偏见和随之而来的反馈回路。接下来，我们提供了一个损失函数，用于从数据中学习暴露概率。最后，基于真实世界引文网络的半合成数据的实验表明，我们的方法可靠地识别（真正）相关的引文。此外，我们的方法导致推荐论文的研究领域更加多样化。该代码可在https://github.com/shantanu95/exposure-bias-link-rec上获得。
2021-06-13 cs.LG
Minimize Exposure Bias of Seq2Seq Models in Joint Entity and Relation Extraction
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Kyoto University（京都大学）；Hunan Normal University（湖南师范大学）；Waseda University（早稻田大学）
实体和关系抽取联合抽取的目的是直接从纯文本中抽取关系三元组。先前的工作利用序列到序列（Seq2Seq）模型来生成三联体序列。然而，Seq2Seq对无序三元组强制执行不必要的顺序，并且涉及与错误累积相关联的大解码长度。这些引入暴露偏差，这可能导致模型过拟合频繁的标签组合，从而恶化泛化。我们提出了一种新的序列到无序多树（Seq2UMTree）模型，通过将解码长度限制为三个三元组内的三个，并删除三元组之间的顺序，以尽量减少曝光偏差的影响。我们在两个数据集DuIE和NYT上评估了我们的模型，并系统地研究了暴露偏倚如何改变Seq2Seq模型的性能。实验表明，最先进的Seq2Seq模型对两个数据集都过拟合，而Seq2UMTree显示出更好的泛化能力。我们的代码可在https://github.com/WindChimeRan/OpenJERE上获得。
2020-10-06 cs.AI cs.CL cs.LG
FEB-Cache: Frequency-Guided Exposure Bias Reduction for Enhancing Diffusion Transformer Caching
针对扩散Transformer缓存加速中曝光偏差被放大导致生成质量下降的问题，提出基于频率引导的FEB-Cache联合缓存策略，分离缓存Attention与MLP以拟合降低曝光偏差，实现性能优化与加速兼顾。
2025-10-06 cs.CV cs.LG
Exposure Bias versus Self-Recovery: Are Distortions Really Incremental for Autoregressive Text Generation?
MIT（麻省理工学院）；Shanghai Jiao Tong University（上海交通大学）
暴露偏差一直被认为是自回归语言模型（LM）的核心问题。它声称，教师强迫将导致测试时间的一代，由于培训一代的差异，逐步扭曲。虽然已经提出了很多算法来避免教师强迫，从而减轻暴露偏差，但很少有工作表明暴露偏差问题实际上有多严重。在这项工作中，我们专注于开放式语言生成的任务，提出了度量的质量，多样性和一致性方面的曝光偏差的影响。我们的关键直觉是，如果我们将地面实况数据前缀（而不是模型本身生成的前缀）输入模型并要求它继续生成，性能应该会变得更好，因为前缀中的训练生成差异被删除了。在我们的实验中进行了自动和人工评估。与普遍认为的暴露偏差相反，我们发现前缀差异引起的失真是有限的，并且似乎不是在生成过程中递增的。此外，我们的分析揭示了一个有趣的自我恢复能力的LM，我们假设是对抗有害影响的曝光偏差。
2021-09-03 cs.CL cs.LG stat.ML
Relating Neural Text Degeneration to Exposure Bias
Carnegie Mellon University（卡内基梅隆大学）；National Taiwan University（台湾大学）
这项工作的重点是在基于神经的文本生成中的两个谜团：暴露偏差和文本退化。尽管曝光偏差被提及已有很长时间，并且对其补救措施进行了大量研究，但据我们所知，其对文本生成的影响尚未得到验证。文本退化是最近发现广泛使用的预训练的语言模型GPT-2遭受的问题（Holtzman等人，2020年）。基于文本退化的原因不明，本文试图将这两个谜团联系起来。具体来说，我们首先定性定量识别文本退化发生之前所犯的错误。然后，我们调查的重要性的错误，通过检查隐藏状态的GPT-2。我们的研究结果表明，文本退化很可能部分是由曝光偏见。我们还研究了文本退化的自我强化机制，解释了错误放大的原因。总之，本研究为进一步研究暴露偏差和文本退化问题提供了更具体的基础。
2021-09-17 cs.CL cs.LG
Mitigating Exposure Bias in Risk-Aware Time Series Forecasting with Soft Tokens
School of Data Science, University of Virginia, Charlottesville, VA, USA（数据科学学院，弗吉尼亚大学，弗吉尼亚州夏洛特维尔）
SoTra通过软令牌缓解暴露偏差，提升风险感知时间序列预测的稳定性与准确性，减少临床风险15-18%。
2025-12-10 cs.LG
Modeling and Counteracting Exposure Bias in Recommender Systems
University of Louisville（路易斯维尔大学）
我们在网上发现和看到的东西，以及我们的观点和决定，越来越多地受到自动化机器学习预测的影响。同样，学习机器的预测准确性在很大程度上取决于我们提供给它们的反馈数据。这种相互影响可能导致闭环交互，这可能导致未知的偏差，在机器学习预测和用户反馈的多次迭代之后，这种偏差可能会加剧。机器造成的偏见有可能导致不良的社会影响，从两极分化到不公平和过滤泡沫。在本文中，我们研究了广泛使用的推荐策略，如矩阵分解固有的偏见。然后，我们模型的曝光，从用户和推荐系统之间的互动承担，并提出新的去偏置这些系统的策略。最后，我们试图减轻推荐系统的偏见工程解决方案的几个国家的最先进的推荐系统模型。我们的研究结果表明，推荐系统是有偏见的，并依赖于用户的事先曝光。我们还表明，研究的偏见迭代减少多样性的输出建议。我们的去偏置方法表明，需要考虑到曝光过程，以减少偏见的替代推荐策略。我们的研究结果表明，理解机器学习模型（如直接与人类交互的推荐系统）的性质并处理其中的偏见非常重要，因此对人类的发现和决策产生了越来越大的影响
2020-01-01 cs.IR cs.LG stat.ML
Generalization in Generation: A closer look at Exposure Bias
ETH Zürich（苏黎世联邦理工学院）
暴露偏差指的是训练-测试差异，当自回归生成模型在训练时只使用地面实况上下文，但在测试时生成时，似乎会出现这种差异。我们将模型和学习框架的贡献分开，以澄清关于后果的辩论，并审查提出的对策。在这方面，我们认为，泛化是解决和提出无条件生成作为其基本基准的基本属性。最后，我们结合潜变量建模与最近制定的探索强化学习，以获得严格的处理真实和生成的上下文。语言建模和变句自动编码的结果证实了模型的泛化能力。
2019-11-07 cs.CL cs.LG stat.ML
Order-free Learning Alleviating Exposure Bias in Multi-label Classification
National Taiwan University（台湾大学）
多标签分类（MLC）为每个样本分配多个标签。先前的研究表明，MLC可以转换为一个序列预测问题与递归神经网络（RNN）解码器的标签依赖性建模。然而，训练RNN解码器需要预定义的标签顺序，这在MLC规范中并不直接可用。此外，这样训练的RNN倾向于过拟合训练集中的标签组合，并且难以生成看不见的标签序列。在本文中，我们提出了一个新的框架MLC不依赖于一个预定义的标签顺序，从而消除曝光偏差。在三个多标签分类基准数据集上的实验结果表明，该方法的性能大大优于竞争基线。我们还发现，与基线模型相比，所提出的方法生成训练期间未看到的标签组合的概率更高。实验结果表明，该方法具有较好的泛化能力。
2019-09-08 cs.CL cs.LG cs.SD
Bias Detection in Emergency Psychiatry: Linking Negative Language to Diagnostic Disparities
Copenhagen University Denmark（丹麦哥本哈根大学）；Mount Sinai School of Medicine USA（美国西奈山医学院）
研究通过分析急诊医生偏见暴露与心理诊断之间的关联，发现负面语言比例升高与精神分裂症诊断增加有关，并揭示了种族差异的潜在影响。
2026-04-13 cs.LG q-bio.OT
EGEAN: An Exposure-Guided Embedding Alignment Network for Post-Click Conversion Estimation
Meituan（美团）
针对CVR估计中的协变量偏移问题，提出EGEAN嵌入对齐网络及带稳态控制的参数可变双重稳健估计器，并在美团广告系统的在线A/B测试中显著提升CVR与GMV。
2024-12-08 cs.AI cs.LG
Automatic Debiased Learning from Positive, Unlabeled, and Exposure Data
CyberAgent, Inc.（赛博艾坚特公司）
我们解决的问题，从积极的和未标记的数据（PU分类）的选择偏置的积极数据的二进制分类。在观察过程中，（i）样品暴露于用户，（ii）用户然后返回暴露样品的标签，以及（iii）然而，我们只能观察阳性样品。因此，我们观察到的阳性标记是暴露和标记的组合，这为观察到的阳性样本产生了选择偏倚问题。这种情况代表了许多实际应用的概念框架，例如推荐系统，我们称之为“从积极的，未标记的和曝光数据中学习”（PUE分类）。为了解决这个问题，我们首先假设访问带有暴露标签的数据。然后，我们提出了一种方法来识别使用强可扩展性假设的功能，并开发了一个“自动去偏PUE”（ADPUE）的学习方法。该算法直接消除选择偏差，而不需要中间估计，如倾向得分，这是其他学习方法所必需的。通过实验，我们证明了我们的方法优于传统的PU学习方法在各种半合成数据集。
2023-03-08 cs.LG stat.ML
Exposure Bias as Epistemic Underidentification in Recursive Forecasting
University of Bristol（布里斯托大学）
本文证明递归多步预测中的曝光偏差不仅是分布偏移，更是部分可观测性下的认知欠识别问题，并提出基于来源变量的误差分解与校正方法。
2026-06-12 cs.LG
SongDriver: Real-time Music Accompaniment Generation without Logical Latency nor Exposure Bias
Zhejiang University（浙江大学）；Alibaba-Zhejiang University Joint Institute of Frontier Technologies（阿里巴巴-浙江大学前沿技术联合研究院）；Jingchu University of Technology（荆楚理工学院）；Shandong University（山东大学）
实时的【形】音乐伴奏生成在音乐教育、现场演出等音乐行业有着广泛的应用。然而，自动实时的【形】音乐伴奏生成仍然是研究不足，往往面临着逻辑延迟和曝光偏差之间的权衡。在本文中，我们提出了SongDriver，一个实时的【形】音乐伴奏生成系统，没有逻辑延迟，也没有曝光偏差。具体来说，SongDriver将一个伴奏生成任务分为两个阶段：1）编曲阶段，其中Transformer模型首先实时的【形】为输入旋律编曲，并缓存和弦以供下一阶段使用，而不是播放它们。2)预测阶段，CRF模型根据先前缓存的和弦为即将到来的旋律生成可播放的多音轨音轨。通过这种两阶段策略，SongDriver直接为即将到来的旋律生成伴奏，实现零逻辑延迟。此外，在预测时间步长的和弦时，SongDriver会参考第一阶段缓存的和弦，而不是之前的预测，这避免了曝光偏差问题。由于输入长度通常在实时的【形】条件下受到约束，另一个潜在的问题是长期顺序信息的丢失。为了弥补这一缺陷，我们从当前时间步之前的长期音乐片段中提取四个音乐特征作为全局信息。在实验中，我们训练SongDriver在一些开源的数据集和原始的àiSong数据集建立从中国风格的现代流行音乐的分数。结果表明，SongDriver在客观和主观指标上都优于现有的SOTA（最先进的）模型，同时显著降低了物理延迟。
2022-10-13 cs.LG cs.MM cs.SD
On the Reliability of Sampling Strategies in Offline Recommender Evaluation
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；University of Gothenburg（哥德堡大学）
本文研究了离线推荐评估中日志记录与采样选择对评估可靠性的影响，利用完全观测数据集模拟曝光偏差，从四个维度评估采样策略，为选择忠实且鲁棒的离线评估策略提供实用指导。
2025-08-11 cs.IR cs.LG
MERIT: Mitigating Exposure Bias in Generative XMC for User-Interest Propensity Modeling
Carnegie Mellon University（卡内基梅隆大学）；Amazon（亚马逊公司）
针对电商用户兴趣匹配的曝光偏差问题，提出MERIT框架，通过自校正目标缓解偏差，在25万+兴趣类数据集上提升召回率等指标，生产中用户转化率提升0.26%。
2026-09-01 cs.IR cs.LG
Debiasing the Cloze Task in Sequential Recommendation with Bidirectional Transformers
University of Louisville（路易斯维尔大学）；Amazon（亚马逊）；Meta
双向Transformer架构是最先进的顺序推荐模型，它使用基于完形填空任务的双向表示能力，也称为“完形填空”。屏蔽语言建模。后者旨在预测序列中随机掩蔽的项目。因为他们假设真正的互动项目是最相关的，暴露偏差的结果，其中具有低暴露倾向的非互动项目被认为是不相关的。最常见的方法，以减轻在建议的暴露偏差一直是逆倾向评分（IPS），其中包括降低权重的相互作用的预测在损失函数的比例，他们的暴露倾向，产生一个理论上无偏的学习。在这项工作中，我们认为，并证明IPS不扩展到顺序推荐，因为它没有考虑到问题的时间性质。然后，我们提出了一种新的倾向评分机制，理论上可以消除顺序推荐中完形填空任务的偏见。最后，我们实证证明了我们提出的方法的去偏置能力和它的鲁棒性的曝光偏差的严重程度。
2023-01-22 cs.IR cs.LG
Localization Boosting for Growth Markets: Mitigating Cross-Locale Behavioral Bias in Learning-to-Rank
Adobe
本文提出一种多目标框架，结合行为监督、VLM相关性信号和本地化增强，以改善学习到排序中的本地内容可见性。
2026-05-11 cs.AI cs.IR cs.LG
Improving Scheduled Sampling with Elastic Weight Consolidation for Neural Machine Translation
University of Cambridge（剑桥大学）
尽管在许多序列到序列任务中表现出色，但使用最大似然估计训练的自回归模型存在暴露偏差，即训练期间使用的地面实况前缀与推理时使用的模型生成的前缀之间的差异。预定采样是一种简单且经验上成功的方法，它通过将模型生成的前缀纳入训练来解决这个问题。然而，有人认为这是一个不一致的训练目标，导致模型完全忽略前缀。在本文中，我们进行了系统的实验，发现定时采样，虽然它改善了暴露偏差，通过增加模型对输入序列的依赖，在推理时的前缀是正确的，灾难性遗忘的一种形式时的性能。我们建议使用弹性权重合并来更好地平衡减轻暴露偏差与保留性能。在四个IWITAL '14和WMT'14翻译数据集上的实验表明，我们的方法消除了灾难性遗忘，并显着优于最大似然估计和预定的采样基线。
2023-01-10 cs.CL cs.LG
Debiased Explainable Pairwise Ranking from Implicit Feedback
University of Louisville（路易斯维尔大学）
最近的工作在推荐系统中强调了公平的重要性，特别是在偏见和透明度，除了预测准确性。在本文中，我们专注于最先进的成对排名模型，贝叶斯个性化排名（BPR），它以前被发现在预测准确性方面优于逐点模型，同时也能够处理隐式反馈。具体来说，我们解决了BPR的两个局限性：（1）BPR是一个黑箱模型，不解释其输出，从而限制了用户对建议的信任，以及分析师审查模型输出的能力;（2）由于数据是非随机缺失（MNAR），BPR容易受到暴露偏差的影响。这种曝光偏差通常会转化为对最不受欢迎的项目的不公平，因为它们有被推荐系统曝光不足的风险。在这项工作中，我们首先提出了一种新的可解释的损失函数和相应的矩阵分解为基础的模型，称为可解释的贝叶斯个性化排名（EBPR），生成建议以及基于项目的解释。然后，我们从理论上量化额外的曝光偏差所造成的可解释性，并使用它作为基础，提出一个无偏估计的理想EBPR损失。其结果是一个排名模型，恰当地捕捉了去偏见和可解释的用户偏好。最后，我们对三个真实世界的数据集进行了实证研究，证明了我们提出的模型的优点。
2021-07-30 cs.AI cs.IR cs.LG
Targeted Data Poisoning Attack on News Recommendation System by Content Perturbation
School of New Media and Communication, Tianjin University（天津大学新媒体与传播学院）
新闻推荐系统已经成为许多在线新闻服务的基础技术。同时，大量研究表明，推荐系统容易受到数据投毒攻击，攻击者有能力误导推荐系统按照自己的意愿运行。一种被广泛研究的攻击方法，注入假用户，可以应用于NRS时，NRS被视为与其他系统的项目是固定的。然而，在NRS中，由于每个项目（即新闻）的信息量更大，我们提出了一种新的方法来毒化NRS，这是扰乱一些浏览的新闻的内容，导致操纵的排名的目标新闻。直觉上，如果攻击很有可能被捕获，那么它是无用的，即，暴露了为了解决这个问题，我们引入了曝光风险的概念，并提出了一个新的问题，通过扰动攻击历史新闻数据集，其目标是最大限度地操纵目标新闻排名，同时保持在给定的预算下的曝光风险。我们设计了一个强化学习框架，称为TDP-CP，它包含一个两阶段的层次模型，以减少搜索空间。同时，影响估计也被用来节省重新训练NRS的时间。我们测试了TDP-CP在三种NRS和不同目标新闻下的性能。实验结果表明，TDP-CP算法可以在有限的曝光预算下成功地提高目标新闻的排名。
2022-03-10 cs.AI cs.CR cs.IR
Counterfactual Risk Minimization with IPS-Weighted BPR and Self-Normalized Evaluation in Recommender Systems
Carnegie Mellon University（卡内基梅隆大学）；Boston University（波士顿大学）；Institute for Clarity in Documentation（文档清晰研究所）；Inria Paris-Rocquencourt（巴黎- Rocquencourt 国家信息与自动化研究所）；Rajiv Gandhi University（拉贾·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒研究实验室）
针对推荐系统隐式反馈的曝光偏差问题，提出结合IPS加权BPR目标与倾向正则化项的反事实风险最小化流程，搭配自归一化IPS评估，在降低方差的同时提升了无偏场景下的泛化性能。
2025-08-30 cs.LG
Learning to Alleviate Familiarity Bias in Video Recommendation
Google LLC（谷歌公司）
LAFB通过建模用户-内容熟悉度并调整评分预测来减轻视频推荐中的熟悉偏差，提升了内容多样性和新兴创作者的曝光
2026-02-08 cs.IR cs.LG
STEP: Detecting Audio Backdoor Attacks via Stability-based Trigger Exposure Profiling
Zhejiang University（浙江大学）；Xi’an Jiaotong University（西安交通大学）；National University of Singapore（新加坡国立大学）
本文提出STEP方法，通过分析触发器在语义破坏扰动下的异常稳定性与语义保持扰动下的异常脆弱性，实现无训练的音频后门检测，实验显示其在多个攻击场景中表现优异。
2026-03-18 cs.CR cs.LG cs.SD
Contrastive Learning for Debiased Candidate Generation in Large-Scale Recommender Systems
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
通过表示学习将相关项目的集合从数十亿缩小到数百个的深度候选生成（DCG）在工业推荐系统中已经变得普遍。标准方法通过采样近似最大似然估计（MLE）以获得更好的可扩展性，并以类似于语言建模的方式解决DCG问题。然而，实时推荐系统面临严重的曝光偏差，并且具有比自然语言大几个数量级的词汇，这意味着MLE将在长期内保持甚至加剧曝光偏差，以便忠实地拟合观察到的样本。在本文中，我们从理论上证明了一个流行的选择对比损失是等效的，通过反向倾向加权减少暴露偏差，这为理解对比学习的有效性提供了一个新的视角。基于理论发现，我们设计了CLRec，一个对比学习方法，以改善DCG在公平性，有效性和效率方面的推荐系统，具有极大的候选大小。我们进一步改进CLRec，并提出多CLRec，准确的多意图感知偏见减少。我们的方法已经在淘宝上成功部署，至少四个月的在线A/B测试和离线分析证明了它的实质性改进，包括马太效应的显着减少。
2021-06-04 cs.IR cs.LG cs.SI
Regularized Schrödinger Bridge via Distortion-Perception Perturbation for High-Fidelity Speech Enhancement
本文针对扩散语音增强方法的保真度-真实感权衡与暴露偏差问题，提出正则化薛定谔桥，通过失真-感知扰动缓解训练-推理不匹配、提升重建保真度。
2026-08-04 cs.LG cs.SD
