在测量模型的微调中,通过条件规范化流,在不同的可微粒子过滤器框架下学习表达丰富而有效的概率密度函数,以捕捉状态下测量的复杂似然性。在视觉跟踪实验中,我们证明了该方法可以带来更好的估计性能和更快的训练收敛。
Mar, 2022
本文介绍了连续时间流(CTF)的概念,这是一种能够渐进地接近目标分布的基于扩散的方法。相对于常规的 normalizing flows 和 GANs 模型,CTFs 能够在一个框架中实现高效率的推理和基于大量未标记数据的密度估计,并且可以在其中采用一种新的分布匹配技术。实验结果表明,所提出的 CTF 框架较之相关技术具有更良好的性能。
Sep, 2017
本文提出使用正规化流作为灵活的似然模型,以及提出了一种有效的方法来适应复杂分布的条件密度估计问题,其使用贝叶斯框架对这些条件密度估计器进行先驱概率分析,最终将该方法应用于两大数据集的空间密度建模任务上,并在某些情况下获得了最先进的性能。
Feb, 2018
通过使用基于流的模型将混合高斯先验转换为未来轨迹流形,我们提出了一种具有生成多样轨迹模式能力的模型,使得流模型不再只是寻求预期流形上最可能的轨迹,而是一系列具有明确可解释性的受控流形。
Feb, 2024
我们提出了一种基于归一化流的多帧视频预测方法,可以直接优化数据可能性并生成高质量的随机预测,该方法可以实现对于视频生成建模的可行且竞争性的方法。
Mar, 2019
提出多阶段概率预测路径的自主系统的新方法,包括轨迹转换、位移时间序列聚类、轨迹生成和排序建议,使用深度特征聚类方法进行分布偏移、使用新的基于距离的排序建议进行轨迹生成和分配概率,从而比传统方法更有效且准确地在人和道路代理的轨迹数据上实现上胜于无上下文的深度生成模型,同时当比较最可能的轨迹时与点估计器表现相似。
Jul, 2023
本文提出一种基于连续时间正规化流的生成模型,该流的速度场由时间依赖密度的概率流推断而来,可用于样本生成和密度估计,并可最小化插值密度的路径长度来建立最优传输映射。该方法通过对基于随机微分方程的方法的简化,使生成的流可以以低成本超越传统方法,并可在图像生成等任务上达到较理想的性能。
Sep, 2022
本文提出了一种新的自监督场景流估计方法,利用高斯混合模型将离散点云表示为连续的概率密度函数,并使用经典 Cauchy-Schwarz 散度的闭合式表达式从概率密度函数的对齐中恢复运动,通过建立软性隐式点对应关系生成更稳健和准确的场景流,实验结果表明该方法在现实环境中的 FlyingThings3D 和 KITTI 数据集上的性能优于现有方法,甚至超过了一些有监督的方法。
该研究使用 (条件) 归一化流构建动态模型、提议分布和测量模型,提出了一种不同 iable 粒子滤波框架,并通过一系列数值实验评估了该方法的性能。
Mar, 2024
本文提出了一种弹性且鲁棒的概率框架 RegFlow,采用超网络架构和连续正常化流模型进行训练,无需对未来状态的单峰性或概率分布做出任何限制,成果在多项基准数据集上表现优于竞争方法。
Nov, 2020