观测对齐掩码先验：从真实遮挡中学习物理动力学
计算机视觉与模式识别
2026-05-19 v1 人工智能
摘要
直接从非完整观测中学习物理动力学具有挑战性，因为真实遮挡是结构化的、依赖于样本的，并且通常是非随机缺失的，而现有方法通常依赖于启发式掩码规则或预定义的掩码分布。我们提出了观测对齐掩码先验，这是一个学习真实观测掩码分布并利用它来构建上下文-查询分区以从不完整数据中进行训练的框架。具体来说，我们在二值观测掩码上预训练一个贝叶斯流网络（BFN）以捕获真实遮挡拓扑，然后通过全局归一化的交叉熵目标引导BFN采样，以生成与每个稀疏观测对齐的样本特定掩码。引导掩码与观测掩码的交集定义了上下文，而剩余的观测条目成为基于扩散的重构模型的查询目标。我们证明，这种基于交集的分区使得每个有效的观测维度都有严格正的概率被查询，从而防止了零查询死区和局部生成崩溃。在三个具有真实卫星遮挡的真实世界海洋学数据集上的实验，分辨率高达256×256，显示在MSE和PSNR方面相对于强扩散基线有持续改进。这些结果表明，从真实遮挡中学习掩码先验是在没有完整观测场的情况下从不完整物理观测中学习的启发式掩码的有效替代方案。
引用
@article{arxiv.2605.16818,
title = {Observation-Aligned Mask Priors for Learning Physical Dynamics from Authentic Occlusions},
author = {Chiyuan Ma and Zihan Zhou and Tianshu Yu},
journal= {arXiv preprint arXiv:2605.16818},
year = {2026}
}