深度生成扩散模型在材料科学和药物发现中是一种有前途的新途径。然而，它们的效用仍受到大分子结构和有限的训练数据的限制。本研究通过对连续和离散状态空间的相互作用进行广泛的比较分析，探索了 E (3) 等变扩散模型的设计空间并提出了 EQGAT-diff 模型。该模型在 QM9 和 GEOM-Drugs 数据集上的表现显著优于现有模型，并通过引入连续原子位置、分类化学元素和键类型，并采用时间依赖的损失加权，显著提高了训练收敛性和生成样本的质量。我们还研究了将在 PubChem3D 数据集上针对隐式氢训练的 EQGAT-diff 模型迁移到具有显式氢的目标分布的可行性，并通过若干迭代的微调进一步推动数据集上的最新性能。本研究的发现有望在基于结构的药物设计中应用，尤其对于复杂分子的小数据集的生成模型的准确性至关重要。

Sep, 2023

通过使用 EqMotion 等价粒子和人体预测模型以及多模态预测机制，我们的模型在较少参数（120 万）和显著减少的训练时间（少于 2 小时）的情况下实现了最先进的性能，实现了多智能体车辆运动预测任务。

Oct, 2023

本文提出了一种名为 Geodiff 的新型生成模型，它将分子中的每个原子视为粒子，并学习直接反向扩散过程来预测分子构象，通过 Markov 的方式进行建模，Markov 核通过维持等变性来实现不变性分布，实验表明，该方法在多个基准测试中优于或与现有的最先进方法相媲美。

Mar, 2022

在动态环境中，道路用户轨迹预测是一个具有挑战性但十分关键的任务，特别适用于自动驾驶等各种应用。本研究提出了一种新的框架，以计算高效的方式利用扩散模型来预测未来的轨迹。我们展示了该方法在常见的行人和自动驾驶基准数据集上取得了最先进的性能。

Oct, 2023

本文提出了一种新型模型 ECCO，利用流体动力学的认识来考虑真实世界轨迹中的内部对称性，该模型使用旋转等变连续卷积来嵌入系统的对称性，提高了轨迹预测的精度和物理一致性，具有更高的样本效率。

Oct, 2020

我们提出了一种轻量级的等变规划模型，它在生成所有车辆的多模态联合预测并选择一个模态作为自主计划时，结合了运动预测和轨迹规划。通过嵌入车辆位置并在潜在空间中沿着高级路线指导自主车辆，我们的方法提供了具有目标导向行为的等变规划，同时在保持等变性的同时不强制汽车始终沿着确切的路线行驶。我们在具有挑战性的 nuScenes 数据集上进行实验，结果表明，我们规划的轨迹在输入场景的旋转平移下稳定，验证了我们模型的等变性。尽管只使用了数据集的一小部分进行训练，但我们的方法在 3 秒内改善了 20.6％的 L2 距离，并超过了最先进的方法。

Mar, 2024

在自动驾驶中，深度学习实现的动作预测是一个热门话题。这项研究引入了一种具备几何等变性和交互不变性的突破性移动预测模型 EqMotion，在自动驾驶中融合了代理等变的高清地图特征，实现了上下文感知的准确运动预测。这些技术的应用使得我们的模型在保持轻量设计和高效数据利用的同时，能够实现高准确度的预测。

Oct, 2023

本文介绍了 Diffusion-EDFs，一种新颖的方法，将 SE (3)- 等变性（roto-translation equivariance）引入扩散生成模型中，展示出了卓越的数据效率，只需要 5 至 10 个任务演示进行有效的端到端训练，并且相比以前的基于扩散的操作方法，具有更好的泛化能力。

Sep, 2023

基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。

Mar, 2024

我们提出 EquiBot，一种稳健、数据高效和具有广泛适用性的机器人操作任务学习方法，结合 SIM (3)- 等变神经网络架构和扩散模型，从有限的数据中学习并在不同环境中泛化。

Jul, 2024