Schrödinger Bridges
PulseAugur coverage of Schrödinger Bridges — every cluster mentioning Schrödinger Bridges across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新库将12种生成模型统一为均场博弈
研究人员推出MFGLab，一个开源的PyTorch库，在一个变分问题框架下统一了十二种连续时间生成模型。该方法将Continuous Normalizing Flows、OT-Flow和基于分数的模型等视为均场博弈（MFGs）的特例。该库允许用户通过可组合的成本元组指定模型，自动处理训练循环和采样。此外，该论文提出了一种新的成本设计DI-Flow，该设计包含一个可微分的熵泛函，以增强模式覆盖，并引入了基于学习的MFG求解器，在特定任务…
-
新框架可实现高效的反射薛定谔桥训练
研究人员开发了一种新的反射薛定谔桥（SBs）训练框架，该框架比现有方法更高效。这种新方法允许像流匹配一样训练反射SBs，避免了复杂的SDE理论和昂贵的高阶导数。该方法在保持生成性能不变或略有提高的同时，训练和推理时间仅增加极少，并通过耦合图像数据集进行了演示。
-
深度学习提升月球地形分辨率
研究人员开发了一种新的深度学习方法，使用基于扩散的薛定谔桥（SBs）来提高月球地形模型的分辨率。该方法将低分辨率地形数据与高分辨率数据相结合，并纳入光学图像以提高准确性。该方法在一个新颖的渲染月球地形数据集上进行了训练，模拟了月球勘测轨道飞行器窄角相机（Lunar Reconnaissance Orbiter Narrow Angle Camera）的图像，并在重建中提供了像素级的不确定性。
-
FreeBridge 模型使用薛定谔桥进行细胞转变动力学分析
研究人员开发了 FreeBridge，一种使用变分薛定谔桥（variational Schrödinger Bridges）模拟细胞转变的新方法。该方法可以推断对照组和处理过的细胞群之间的随机过程，即使只有边缘终点数据可用。FreeBridge 将这些学习到的转变约束在观察到的细胞形态的几何范围内，提高了生物学可解释性并减少了中间支持的违反。该方法在 BBBC021、RxRx1 和 JUMP 等多个基准数据集上表现出具有竞争力或改进的性能。
-
新AI方法加速机器人视觉导航
研究人员开发了修正薛定谔桥匹配（RSBM），这是一个旨在改进具身AI中自主代理视觉导航的新框架。RSBM利用扩散模型和薛定谔桥之间的共享速度场结构，实现了更稳定高效的积分步骤。与标准方法相比，该方法显著减少了收敛所需的步数，仅用三个积分步骤就达到了高成功率。
-
新的 TR-SBTS 框架增强了时间序列生成
研究人员开发了用于时间序列的三角参考薛定谔桥（TR-SBTS），这是一个先进的时间序列生成框架。该方法通过用在多个潜在波动率级别上呈三角形的逐区间冻结扩散参考来替换标准的布朗参考，从而扩展了现有的薛定谔桥。该方法涉及在增强状态空间上进行单一熵投影，并在时间和潜在级别上联合应用变分约束。论文详细介绍了通过有限维条件映射构建 TR-SBTS，并对其在数值实验中的性能进行了评估。
-
新熵方法提升生成模型样本质量
研究人员开发了一种优化生成模型离散化方法，旨在用有限的计算资源提高样本质量。这种方法被称为条件边际熵率目标，将概率路径的几何形状与边际分布的演变分离开来。将其应用于流匹配和薛定谔桥模型，在样本质量指标（如MMD和FID）方面显示出显著的改进，尤其是在低样本量情况下，并有望应用于蛋白质生成等领域。
-
新的QDSB方法加速生成模型训练
研究人员推出了一种名为量化扩散薛定谔桥（QDSB）的新方法，用于从无配对数据中学习生成模型。QDSB通过量化端点分布并使用单元格采样来重建数据计划，解决了传统薛定谔桥的计算挑战。这种方法在保持与现有方法相当的样本质量的同时，显著减少了训练时间。
-
MAPF solved via multi-marginal optimal transport and Schrödinger bridges
研究人员开发了一种新方法，通过将其重新表述为一种特定的多边际最优传输（MMOT）问题来解决多智能体路径查找（MAPF）问题。该方法利用马尔可夫结构将MMOT的计算复杂度降低到多项式大小的线性规划。对于大规模应用，该方法通过薛定谔桥进一步调整，薛定谔桥提供了一种迭代的、Sinkhorn类型的解决方案，在保持近乎最优结果的同时显著降低了复杂度。