用于从图像学习连续潜在动力学模型的保连续性卷积自编码器
机器学习
2025-02-04 v1 计算机视觉与模式识别
摘要
连续动力系统是许多科学与工程学科的基石。虽然机器学习提供了强大的工具来从轨迹数据对这些系统进行建模，但当这些轨迹以图像形式捕获时，会产生本质上离散的像素级观测，从而带来挑战。因此，直接应用卷积自编码器可能导致潜在坐标在时间上不连续。为解决此问题，我们提出了保连续性卷积自编码器（CpAEs），以从离散图像帧中学习连续的潜在状态及其对应的连续潜在动力学模型。我们给出了从图像帧学习动力学的数学表述，阐述了先前方法存在的问题，并基于促进卷积滤波器连续性的思想，提出了我们的方法，从而保持潜在状态的连续性。这种方法使 CpAEs 能够产生随底层动力学连续演化的潜在状态，从而得到更精确的潜在动力学模型。跨多种场景的大量实验证明了 CpAEs 的有效性。
引用
@article{arxiv.2502.00754,
title = {Continuity-Preserving Convolutional Autoencoders for Learning Continuous Latent Dynamical Models from Images},
author = {Aiqing Zhu and Yuting Pan and Qianxiao Li},
journal= {arXiv preprint arXiv:2502.00754},
year = {2025}
}