English(EN) Dynamical State-Space Diffusion for Spatiotemporal Prediction

新的动力学状态空间扩散模型增强了时间预测能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-05 05:00

研究人员推出了一种新颖的时间预测方法——动力学状态空间扩散（DSSD），该方法利用扩散模型。与向每一帧添加独立噪声的传统方法不同，DSSD学习了损坏过程本身的时间结构。这是通过从稳定对角状态空间模型的阻尼振荡模式构建时间核来实现的，使模型能够捕捉多时间尺度依赖性和振荡相关性。该方法利用模型平稳协方差的乔列斯基分解作为时间算子，确保了因果性、可逆性和跨帧一致的噪声方差。DSSD在科学领域和机器人视频数据集上展示了优于标准扩散基线模型的性能，其学习到的模式在训练过程中会适应特定数据集。 AI

影响在扩散模型中引入了一种新颖的时间预测方法，有望提高时空任务的准确性。

排序理由这是一篇详细介绍时空预测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 26 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇详细介绍时空预测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Woojun Lee, Hankyeol Kim, Pilsung Kang · 2026-11-05 05:00

用于时空预测的动态状态空间扩散

arXiv:2611.06652v1 Announce Type: new Abstract: Diffusion models for temporal prediction typically corrupt each future frame with independent noise, leaving temporal dependence entirely to the denoiser. We propose Dynamical State-Space Diffusion (DSSD), which learns the temporal …

本文如何被排名

报道来源 [1]

用于时空预测的动态状态空间扩散

相关实体

相关话题