PhyloSDF：基于残差流匹配的进化生物学 3D 骨盆形态生成
摘要
生成新型、生物学上合理的三维形态结构是计算进化生物学中的 fundamental 挑战，受限于极端数据稀缺和需生成形状尊重物种间 phylogenetic 关系。本文提出 PhyloSDF，一种 phylogenetically-conditioned 神经生成模型，用于 3D 生物学形态，集成两项创新：(1)以 DeepSDF auto-decoder regularized by novel Phylogenetic Consistency Loss 正则化的 latent space，使其与进化距离相关（Pearson $r=0.993）；(2)Residual Conditional Flow Matching (Residual CFM) 架构将生成分解为 analytic species-centroid lookup 与 learned residual prediction，使仅需约 4 例/物种即可生成。我们在 100 例微-CT 扫描的鸟类喙骨及其亲属物种（24 个物种）上评估 PhyloSDF。模型生成的新型网格在 code 层面实现 88-129% 真实 intra-species 变异，180 个生成网格均经验证为 non-memorized。Residual CFM 超越 denoising diffusion（该方法在此尺度下完全失败）、standard flow matching（mode-collapse 至 3-6% 变异）以及高斯混合基线，在保真度（Chamfer Distance 0.00181 vs. 0.00190）和 morphometric Fréchet distance（10,641 vs. 13,322）上均表现更佳。18 个物种的 leave-one-species-out 实验表明 PhyloSDF 具备 phylogenetic extrapolation 能力，平滑 latent 插值可生成生物学上合理的祖先骨盆重构。
引用
@article{arxiv.2604.25371,
title = {PhyloSDF: Phylogenetically-Conditioned Neural Generation of 3D Skull Morphology via Residual Flow Matching},
author = {Kaikwan Lau and Gary P. T. Choi},
journal= {arXiv preprint arXiv:2604.25371},
year = {2026}
}