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
-
新的生成模型框架使用非线性薛定谔系统
研究人员引入了一个新颖的生成模型框架，该框架利用前向-后向偏微分方程（PDE），并与平均场博弈论和非线性薛定谔系统建立联系。该框架称为 SBNL（Schrödinger Bridge NonLinear），提供了一种高效的数值方法用于实际实现。该方法设计为高度可并行化，可扩展到高维度，并能够处理各种非线性相互作用泛函，证明了其在 MNIST 和 FFHQ 等数据集上的图像合成任务中的实用性。
-
BridgeTwist：用于薛定谔桥模型的新型免训练采样器
研究人员开发了 BridgeTwist，一种用于薛定谔桥（SB）生成模型的新型免训练条件采样器。该方法允许预训练的无条件 SB 模型在无需特定任务重新训练的情况下，用于下游条件任务。BridgeTwist 采用一种温和的扭曲序列蒙特卡洛方案，结合了来自 SB 预训练的组合速度和得分场的闭式即插即用代理。该方法在图像生成任务中表现出优于现有免训练方法的性能，并在逆问题求解方面显示出竞争力。
-
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。
-
李群动力学中薛定谔桥问题等价性得到证明
本文在紧连李群上，建立了求解薛定谔桥问题（SBP）的两种不同数学框架之间的正式等价性。研究表明，随机最优控制表述在数学上与路径空间表述是相同的。这种等价性带来了分析上的好处，有助于证明解的存在性和唯一性，并对薛定谔桥作为不受控动力学最可能偏差的性质提供了概率见解。在计算方面，这些发现使得可以使用静态 Sinkhorn 递归直接求解问题和计算最优路径测度，并在环面上提供了数值说明。
-
BridgeMatch：三维可变形配准的新生成式求解器
研究人员开发了 BridgeMatch，一种新颖的两阶段生成式求解器，用于三维可变形配准。与修剪假设的传统粗到精方法不同，该方法在粗分辨率和高分辨率下都保持完整的软匹配矩阵。第一阶段使用去噪扩散在紧凑的粗分辨率空间中估计全局匹配矩阵，然后将其提升到高分辨率。第二阶段使用条件化传输桥来细化该矩阵，该桥通过确定性的 Flow Matching ODE 或随机的 Brownian-bridge SDE 实现。在 4DMatch 和 4DLo…
-
新的Schrödinger Bridges框架支持在几何流形上进行生成建模
研究人员开发了一个名为Schrödinger Bridges的新概率生成框架，该框架设计用于直接在几何流形上运行。该方法旨在通过避免与展平非欧几里得数据相关的错误并保持坐标一致性来改进生成建模。该框架利用指定端点分布之间的熵正则化传输，并有两种计算实现方式：用于紧凑阿贝尔群的Wrapped-Kernel Bridge Calibration (WKBC) 和用于紧凑非阿贝尔群的Reciprocal Conditional-Contro…
-
Schrödinger Bridges 方法引导群集达到目标构型
研究人员开发了一种新的方法，用于在设定的时间内将代理群集（例如生物启发式机器人或靶向治疗中使用的代理）引导至特定构型。该方法利用了 Schrödinger bridges 理论，该理论涉及寻找最优控制来纠正随机动力学系统。该方法适用于具有 Cucker--Smale 对齐或 Morse 吸引-排斥相互作用的平均场模型，并且可以根据完整的相空间分布或仅位置边际来引导群集。数值示例表明，最优控制可以增强或抵消代理固有的相互作用力，以实现期望的结果。
-
新研究将扩散模型训练损失与费舍尔几何联系起来
研究人员分析了扩散模型去噪分数匹配中不可约的过剩损失。他们发现这种过剩损失与条件终点族的费舍尔-饶度量直接相关，该度量沿着扩散轨迹积分。这种几何特性是训练损失的内在组成部分，将其分为由数据决定的信息流和由噪声调度决定的权重。研究还强调，由于这些加性下界，来自不同噪声范围或权重的原始损失可能无法一致地对模型进行排名。
-
新框架桥接图模型改进了生成式AI设计
研究人员引入了桥接图模型（BGMs）作为分析和改进连续时间生成模型的新框架。BGMs将端点耦合、桥接律和马尔可夫投影等设计选择解耦，为模型开发提供了更结构化的方法。一个关键概念是“马尔可夫化间隙”，它衡量了桥接到解码器的压缩中不可约的损失，并可以在训练前预测模型性能，已在CIFAR-10和Fashion-MNIST数据集上得到证明。
-
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。