NnD：基于扩散的物理非负对象生成
机器学习
2025-06-13 v1
摘要
大多数自然对象具有固有的复杂性和变异性。虽然某些简单对象可以从第一性原理建模，但许多现实现象（如云的形成）需要计算昂贵的模拟，从而限制了可扩展性。本工作聚焦于一类物理上有意义、非负且计算上可处理但模拟成本高昂的对象。为大幅降低计算成本，我们提出了非负扩散（NnD）。这是一种基于得分的扩散学习生成模型。它通过设计将退火朗之万动力学加以适配，在迭代场景生成与分析（推理）过程中强制保持非负性。NnD 在高质量物理模拟对象上进行训练。训练完成后，可用于生成和推理。我们展示了三维体素云的生成，其包含固有的非负微观物理场。生成的云与云物理趋势一致，在专家感知下实际上无法将其与非物理对象区分开来。
引用
@article{arxiv.2506.10112,
title = {NnD: Diffusion-based Generation of Physically-Nonnegative Objects},
author = {Nadav Torem and Tamar Sde-Chen and Yoav Y. Schechner},
journal= {arXiv preprint arXiv:2506.10112},
year = {2025}
}