🔥 今日值得一读
新框架直接估计随机微分方程概率速度场，视频生成性能超越代表性基线！
Continuous-Time Trajectory Generation from Discrete Observations with Stochasticity
👨💼 主理人解读 · 为什么值得关注
适合从稀疏离散观测重建连续随机轨迹，如物理仿真与时间序列生成任务。
📖 AI 总结
该研究针对物理系统状态仅在离散时刻被观测、却需还原其连续时间随机演化轨迹的问题，提出了名为PhiBE-Flow的框架。与传统方法仅学习相邻观测间的转移映射不同，该方法直接估计由随机微分方程（SDE）所诱导的概率速度场，从而刻画连续时间的分布演化。其核心优势在于采用无模型（model-free）途径，既不需要已知的SDE系数，也无需进行得分估计，并给出了同时涵盖时间离散化误差与有限样本误差的收敛性保证。作者在复杂度递增的多个系统上进行了验证，包括受控随机数值系统、Navier-Stokes动力学以及真实世界视频。结果表明，PhiBE-Flow能够准确恢复随机动力学的概率流，保持多尺度物理统计特性，并在视频生成任务上优于代表性基线方法。
🔑 关键词速览
| PhiBE-Flow | 本文提出的无模型框架，直接从离散观测中估计随机微分方程诱导的概率速度场，以生成连续时间轨迹。 |
| 随机微分方程（SDE） | 描述系统状态随时间连续随机演化的数学方程，其解为随机过程，用于建模连续时间的概率分布演化。 |
| 概率速度场 | 刻画概率密度随时间连续流动的向量场，由 SDE 诱导，决定了分布如何随时间演化。 |
| 无模型方法 | 指不依赖于已知系统动力学方程或系数，仅从观测数据中学习系统行为的方法。 |
| Navier--Stokes 动力学 | 描述流体运动的非线性偏微分方程组，常用于测试复杂时空动力学的建模与生成能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅