Brownian bridge
PulseAugur coverage of Brownian bridge — every cluster mentioning Brownian bridge across labs, papers, and developer communities, ranked by signal.
-
新的AXON框架从2D X射线重建3D CT体素
研究人员开发了AXON，一个利用多阶段扩散模型从标准2D X射线重建详细3D CT体素的新颖框架。该方法旨在通过克服传统CT扫描的局限性，如高辐射暴露和成本，来提高诊断的可及性。AXON采用粗到精的策略，首先使用布朗桥模型进行全局结构重建，然后使用ControlNet进行局部细节增强，并增加了双平面视图集成和超分辨率的功能。
-
新的推理方法提高了时间差分学习的准确性
研究人员开发了一种名为“常数步长时序差分学习的自归一化推理”的新方法。该技术通过考虑序列依赖性和步长相关的平稳目标，可以从单个马尔可夫轨迹中进行更准确的推理。该方法提供了渐近枢纽置信区域，而无需估计长期协方差或选择带宽，从而能够实现内存不随轨迹长度增长的单遍实现。在FrozenLake和Garnet上的实验证明了其在为平稳目标提供覆盖和纠正Richardson-Romberg目标方面的有效性。
-
LeapTalk框架实现200 FPS的实时说话人头像生成
研究人员开发了LeapTalk，一个旨在克服说话人头像生成中延迟-质量权衡的新型框架。这种新方法能够通过单次前向传播实现稳定、实时的视频生成，并能处理任意长度的视频。LeapTalk利用基于布朗桥的数据到数据传输公式和异构蒸馏框架来确保时间稳定性和平滑的知识转移。该系统实现了高保真唇形同步，视频生成速度最高可达200 FPS，显著提高了效率和稳定性，优于现有方法。
-
SC-Flow框架实现精确3D医学图像翻译
研究人员推出了一种新颖的单步3D医学图像翻译框架SC-Flow。该方法将翻译过程建模为随机布朗桥，通过预测平均速度场直接将源模态映射到目标模态。为防止模态纠缠和过度平滑等问题，SC-Flow包含一个光谱一致性校正器，该校正器调制光谱能量流，保留精细的解剖细节和全局结构。跨四个数据集的实验表明，SC-Flow在各种翻译任务中实现了卓越的准确性、一致性和鲁棒性。
-
Qantara JEPA模型支持从单一检查点进行多范式控制
研究人员推出了一种新颖的联合嵌入预测架构（JEPA）——Qantara，它允许单个模型检查点在推理时支持从原始像素进行控制的多种推理范式。与之前在训练期间承诺轨迹优化或行为克隆的JEPA模型不同，Qantara的联合训练目标在推理时提供了灵活性。这种多范式方法包括潜在规划、行为克隆和逆动力学，在OGBench-Cube和LeWM控制套件等基准测试中展示了最先进的性能。
-
生成模型在3D医学图像翻译中的比较
研究人员对七种用于3D医学图像到图像翻译的生成模型进行了全面评估，在多个数据集和解剖区域上比较了GANs与潜在生成模型。研究发现，GANs，特别是SRGAN，在合成医学图像方面通常优于潜在模型。一个关键发现是，尽管在与医生进行的视觉图灵测试中，合成图像与真实图像在很大程度上难以区分，但定量指标并未完全符合临床偏好，尤其是在小病灶和强度值的合成方面。