Tag · 2 篇
连续时间动力学
分布 生成模型与扩散13D 视觉与重建1
01 02
过渡模型：重新思考生成学习目标
Transition Models: Rethinking the Generative Learning Objective
TiM 提出了一种精确的连续时间动力学方程，可解析定义任意有限时间间隔的状态转移，使生成模型能在单步跳跃与多步细化之间无缝切换，并随采样步数增加单调提升质量。这对视觉生成研究意味着可以设计更灵活的采样策略，在少步与多步生成间取得平衡，同时支持高达 4096x4096 的原生分辨率生成。
ParticleGS：从视频学习神经高斯粒子动力学以实现无先验物理运动外推
ParticleGS: Learning Neural Gaussian Particle Dynamics from Videos for Prior-free Physical Motion Extrapolation
将动态3D场景表示为物理粒子系统，用Neural ODE学习连续时间动力学，实现无先验的未来运动外推；其编码器-演化器-解码器架构可复用于其他需要物理一致性的动态重建任务。