- Atlas3D: 适用于模拟和制造的受物理约束的自支撑文本到 3D 转换
通过使用 Atlas3D 方法，可以生成满足用户设计意图、在交互游戏、具身化 AI 和机器人领域中可靠互动所需的、在物理上稳定的自支撑 3D 模型。
- ArchesWeather: 1.5° 分辨率的高效人工智能天气预报模型
本研究提出了一种基于 AI 的天气预测系统，通过将物理约束作为归纳先验嵌入到神经网络架构中，将 2D 注意力与基于列的注意力特征交互模块相结合，设计出一种名为 ArchesWeather 的转换器模型，证明了该设计改进了预测技巧。
- CVPR基于条件扩散模型的可靠轨迹预测与不确定性量化
通过集成驱动能力的约束和物理约束条件的生成预测模块，本研究提出了一种基于扩散模型的高速公路轨迹预测网络架构，通过整合量化的不确定性进行预测，以提高模型的性能。该模型在公开可用的高 D 数据集上进行了评估实验，结果表明在提供可行驶轨迹和不确定 - 混合降解图像恢复的联合条件扩散模型
在恶劣天气条件下，图像恢复是一项具有挑战性的任务，而盲解析图像分解技术是为了解决这个问题而提出的一种方法，它依赖于每个部分的精确估计。为了解决这些问题，我们利用物理约束来指导整个恢复过程，构建基于大气散射模型的混合退化模型，并将退化图像和退 - 具有软不等式约束和单调性约束的高斯过程回归
引入了一个新的高斯过程模型，该模型通过量子启发的哈密顿蒙特卡罗方法来强制约束物理条件，从而提高准确性并减小方差。实验证明，在多个数据集上，该方法加速采样过程并保持准确性，适用于高维问题。
- 物理信号的对抗扰动
我们研究了基于计算机视觉的信号分类器对输入的敌对扰动的脆弱性，其中信号和扰动受到物理约束。通过求解 PDE 约束优化问题，我们构建了干扰信号使得即使对接收信号的谱图进行的扰动几乎不可察觉，探测器仍会误将源分类。尽管此类问题可能涉及数百万个决 - 基于物理约束的多项式混沌展开用在科学机器学习和不确定性量化中
提出了一种新颖的物理约束多项式混沌扩展方法作为代理模型方法，能够同时进行科学机器学习和不确定性量化任务，有效地量化科学机器学习任务的不确定性，并利用科学机器学习改善不确定性评估。
- ICLR基于专家模型的物理约束扩展
通过使用 Mixture-of-Experts (MoE)，我们开发了一种可扩展的方法来强制执行硬物理约束，以增强神经 PDE 求解器在预测挑战性非线性系统动力学方面的准确性，并改善训练稳定性以及在训练和推断阶段所需的计算时间。
- ICLR学习隐式表示以重建关节式物体
利用物理约束为我们建立的隐式表示提供了规范项，通过迭代估计隐式和显性表示，我们证明了我们的方法在标准视频数据集上优于现有技术。
- 使用物体为中心的动作约束的统一任务和运动规划
任务和动作规划方法中的抽象描述模糊和欠定性使得很难确定成功执行任务所需的物理约束。我们提出了一种替代的任务和动作规划方法，将任务和动作规划融合为一个启发式搜索，并基于基于物体的抽象的运动约束，从而利用现成的人工智能启发式搜索的计算效率，产生 - 波动物理知识指导的矩阵分解
在最近的表示学习方法的成功的基础上，我们提出一种基于矩阵分解的技术，将信号分解为满足波动方程约束的组成部分，从而在波动方程约束下利用已知的物理约束进行学习，建立了波动信息学习与信号处理中的滤波理论之间的理论联系，并展示了该方法在结构诊断和预 - 页岩气生产的领域适应与物理约束迁移学习
通过域适应和物理约束，提出了一种将传统数据和深度学习模型结合的新型转移学习方法，用于有效预测页岩气产量，并且在中国西南地区进行的实验验证了该方法的有效性。
- S2P3：自监督极化姿态预测
本研究提出了第一个自监督的多模态 RGB + 偏振图像的 6D 目标姿态预测方法，通过物理模型、师生知识蒸馏和逆可逆的物理约束等方式实现了稳健的几何表征和对偏振光的特征编码。通过自监督训练和物理约束，得到了准确的物体外观和几何信息，特别适用 - QuATON：光神经元的量化感知训练
光学神经架构（ONA）使用具有优化的物理参数的编码元素进行智能测量，提出了一种物理信息量化感知训练框架，该方法在训练过程中考虑了物理约束，导致了稳健的设计。在不同量化水平和数据集上进行了大量实验，表明我们的方法导致了对量化噪声稳健的 ONA - 物理信息多项式混沌展开
提出了一种新的物理信息多项式混沌展开 (PCE) 建模方法，结合传统实验设计和模型的物理约束条件。该方法在提高近似精度的同时不增加显著的计算负担，并且能够通过简化后的 PCE 进行不确定性量化，将确定性空间时间变量的影响滤除。
- 面向日前市场的虚拟电力厂战略出价安全强化学习
该论文提出了一种新颖的安全强化学习算法，用于虚拟电力厂在日前电力市场上的战略竞标，同时考虑了虚拟电力厂内部复杂的物理约束，并结合 DDPG 方法设计了投影安全屏障和奖励机制，最终在 IEEE 13-bus 网络上展示了提出方法的有效性。
- 物理信息机器学习在动态系统建模和控制中的应用
本文概述了物理相关机器学习在动态系统建模和控制方面的最新进展、基本概念和方法、工具及应用。
- 卷积式人体运动预测的对抗鲁棒性评估
本文提出一种新的适用于人体运动序列的可调节的针对性对抗攻击方法，通过引入两个物理约束条件，提高对抗样本的无感知性，定量和定性结果表明，串联对抗样本可以很好地欺骗目标预测模型，提高人体运动预测器的对抗鲁棒性，但相较于帧至帧比较，该攻击样本比较 - 基于点云深度学习的平滑、精确旋转对称化
本文介绍了一个通用的对称化协议，用于向任何给定模型添加旋转等变性，同时保留所有其他约束条件。我们将此方法应用于 Point Edge Transformer（PET）体系结构，并展示其在多个分子和固体基准数据集上实现了最先进的性能。通过减轻 - 具有物理限制条件的符号回归中的主动学习性能
本文探讨使用进化符号回归作为方法来建议在受物理限制的主动学习环境中采集的数据，采用委员会查询的主动学习策略，物理约束提高了在极低数据条件下预测方程的质量。这些方法可以减少 SR 所需的数据，并在已知方程时达到了最先进的结果。