Schrödinger Bridge
PulseAugur coverage of Schrödinger Bridge — every cluster mentioning Schrödinger Bridge across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
BridgeCodec 框架增强神经音频编解码器互操作性
研究人员开发了 BridgeCodec，一个旨在提高神经音频编解码器之间互操作性的新颖框架。该系统通过在不匹配且冻结的端点之间进行潜在表示的翻译，来解耦通常严格共同训练的编码器-解码器对。这种翻译被构建为薛定谔桥最优传输问题，无需预定义的噪声先验即可实现不同分布之间的鲁棒映射。此外，BridgeCodec 采用 Mamba 增强的 U-Net 架构来有效捕获语音中的长程时间依赖性，即使在极低的比特率下也能展示出卓越的重建和感知质量。
-
新的伴随薛定谔桥匹配增强了生成模型效率
研究人员引入了伴随薛定谔桥匹配（ASBM），一个旨在改进无记忆扩散模型的新型生成模型框架。ASBM通过首先学习将数据传输到能量定义的先验的最优前向动力学，然后通过简单的匹配损失学习后向生成动力学来解决弯曲轨迹和噪声分数目标的问题。这种非无记忆方法产生了更直、更有效的采样路径，在高维数据中显示出更高的稳定性和效率，并在图像生成实验中以更少的采样步骤提高了保真度。
-
新研究推进薛定谔桥以改进AI传输学习 · 跟踪2个来源
两篇新研究论文介绍了薛定谔桥技术的进展，这是一种用于学习分布之间随机传输的技术。第一篇论文《图上的成本增强薛定谔桥可精确求解》提出了一种通过用Feynman-Kac倾斜取代学习控制来简化过程的方法，能够进行精确计算，并在蛋白质折叠模型中显示出潜力。第二篇论文《分布鲁棒薛定谔桥》介绍了一种通过学习一个考虑不确定性的单一控制器来提高对初始分布变化的鲁棒性的方法，在图像到图像翻译和传输任务中表现优于标准方法。
-
连续时间下新 LEQG 协方差引导问题分析
研究人员在连续时间下构建并分析了线性指数二次高斯（LEQG）协方差引导问题。该问题可以被视为线性二次框架内高斯端点之间的风险敏感薛定谔桥。LEQG 协方差引导控制器是一种线性状态反馈，与风险中性对应物不同，它无法以闭式形式获得。最优控制器由一个对称矩阵定义，该矩阵求解一个反映风险敏感性参数影响的代数方程。
-
新方法在无数据样本情况下模拟随机动力学
研究人员开发了一种模拟薛定谔桥的新方法，薛定谔桥是连接两个概率分布的随机动力学系统。这种新方法，称为数据到能量IPF，即使在其中一个或两个分布的样本不可用时，也能推断这些动力学，而是依赖于它们的非归一化密度。该方法受到用于训练扩散采样器的离策略强化学习技术的启发，并在合成场景中取得了成功，包括学习多模态分布之间的传输。作为副产品，该技术还通过学习扩散系数来改进现有的数据到数据薛定谔桥算法。研究人员已将此方法应用于图像到图像翻译任务，通…
-
新的RGFM生成模型使用重整化群流实现可扩展的局部数据生成
研究人员开发了重整化群流匹配（RGFM），一个新颖的生成建模框架，解决了计算成本与捕捉长程关联能力之间的权衡问题。RGFM通过使用精确的重整化群流作为概率路径，在不同空间尺度上构建数据生成过程，逐步从长波长结构生成到短波长结构。这种方法实现了局部生成建模，其计算成本几乎与系统体积呈线性关系，在生成连贯且高质量的样本方面优于传统的局部流匹配，尤其是在FFHQ等图像数据集上。
-
新AI方法修复死后组织图像以用于法医诊断
研究人员开发了一种新的方法来修复退化的死后组织样本图像，旨在改善法医诊断。该技术解决了由自溶（一种导致组织形态失真的自然死后过程）引起的图像退化挑战。该方法将问题构建为退化和未退化图像分布之间的薛定谔之桥，利用一个名为AutoPath的新数据集，该数据集由相邻组织块构建而成，以创建不成对的训练数据。研究还强调了标准图像级生成指标（如FID）在此特定任务中的局限性，并提出了一种新的关注诊断效用的评估方法。
-
新的正则化薛定谔桥提升语音保真度
研究人员开发了一种名为正则化薛定谔桥（RSB）的新方法来改进语音增强。该技术解决了当前基于扩散模型中的挑战，特别是感知真实感与重建保真度之间的权衡，以及迭代采样过程中错误的累积。RSB在训练过程中引入了失真感知扰动，通过结合后验均值估计来逐步纠正错误并提高保真度。
-
Schrödinger Bridge Mamba 模型一步增强语音
研究人员推出了一种名为 Schrödinger Bridge Mamba (SBM) 的新模型，该模型专为高效语音增强而设计。SBM 将 Schrödinger Bridge 训练范式与 Mamba 架构相结合，可在一次推理步骤中实现高质量结果。实验表明，SBM 在去噪和去混响任务上的表现优于现有方法，同时还证明了其在实时应用中的可行性。研究还发现，在 Schrödinger Bridge 范式下，Mamba 架构的表现优于多头自注意…
-
新的Cobras方法提供了原则性的、查询自适应的LLM引导
研究人员引入了Cobras，一种在推理时控制大型语言模型的新方法。与先前启发式优化目标的技术不同，Cobras源于残差流超球上的薛定谔桥公式化的原则性优化问题。这种方法产生了查询自适应的引导方向，这些方向在经验上显示出在各种对齐轴上的性能提升，并避免了先前方法中出现的分布外退化。
-
新的arXiv论文探讨流匹配和最优传输在生成模型中的应用
两篇新的arXiv论文深入探讨了先进的生成模型技术。第一篇论文“Notes on generative modeling: flow matching, diffusion, optimal transport and Schrödinger bridge”由Titouan Vayer撰写，探讨了最优传输与Schrödinger bridge和流匹配等方法之间的数学联系。第二篇论文“Robustness and Structure P…
-
新的熵控制流匹配方法增强生成模型
研究人员推出了一种新颖的训练生成模型的方法——熵控制流匹配（ECFM），该方法解决了标准流匹配目标中的局限性。ECFM强制执行全局熵率预算，防止可能导致语义模式耗尽的低熵瓶颈。这种方法被表述为在Wasserstein空间中的一个凸优化问题，为模式覆盖和密度底提供了理论保证，并展示了优于无约束流匹配的性能。
-
新研究通过随机热力学构建生成模型
一篇新论文探讨了随机热力学在基于SDE的生成模型（如扩散模型和薛定谔桥）中的应用。该研究引入了功、热量和熵产生的轨迹层面定义，以及一个广义的Jarzynski恒等式和一个类似第二定律的不等式。这个热力学框架将现有设置扩展到处理随时间变化的浴温度和非保守力，为这些生成模型提供了非平衡统计力学的新视角。
-
SheafStain 虚拟染色方法解决 WSI 伪影问题
研究人员开发了 SheafStain，一种用于癌症诊断的虚拟染色新方法，该方法解决了全切片图像中分块推理引起的伪影问题。该方法将视觉基础模型特征重新解释为薛定谔桥框架内的束状截面，确保空间和生物学上的一致性。SheafStain 集成类别和分块标记以锚定生物学一致性并形成空间图，通过减轻拼接伪影，在六种先前方法上展示了改进的结果。
-
新AI方法提高深度伪造定位准确性
研究人员开发了一种名为不一致感知多模态薛定谔桥（IaMSB）的新方法，用于更精确地定位音视频深度伪造。该方法解决了现有方法在处理异步或单边伪造时遇到的问题，这些问题可能传播噪声并降低准确性。IaMSB在一个框架内统一了不一致性估计和定位，使用一个粗略桥梁来提出候选区间并估计跨模态不一致性，然后使用一个精炼桥梁来改进时间对齐和输出。
-
Contact Wasserstein Geodesics 提出薛定谔桥的新方法
研究人员开发了一种对薛定谔桥问题的新表述，称为非保守广义薛定谔桥（NCGSB）。这种新方法通过允许能量随时间变化来克服先前方法的局限性，从而能够对更广泛的现实世界随机过程进行建模。该框架称为接触 Wasserstein 测地线（CWG），使用 ResNet 架构实现，并提供了一种非迭代求解器，其复杂度接近线性，使其在计算上高效。CWG 在流形导航、分子动力学预测和图像生成等任务中展示了通用性。
-
新论文详解直接估计薛定谔桥时间序列漂移
研究人员开发了一种从时间序列数据直接估计薛定谔桥（SB）漂移的新方法。该方法通过关注漂移公式本身，将统计误差与其他误差来源隔离开来，从而绕过了复杂的迭代求解器。该研究提供了理论保证，包括有限样本界和可实现近乎最优性能的自适应带宽选择器。
-
新的USB框架从快照重建离散细胞动力学
研究人员开发了一个名为Unbalanced Schrödinger Bridge (USB) 的新无模拟框架，用于从单细胞数据重建离散分支动力学。该方法通过在单细胞水平上准确捕捉细胞增殖和凋亡等生灭事件，解决了现有连续流体模型的局限性。USB整合了随机性和不平衡效应，提供了细胞谱系分支和命运决定的微观解释，并在模拟和真实世界数据集上均表现出强大的性能。