从极低信噪比数据生成纯净样本：抗噪条件流匹配
kwangmoo_yi · x · 2026-08-05
分享 arXiv 论文 Noise-Robust Conditional Flow Matching: Generating Clean Samples from Noisy Datasets。
论文提出了 NR-CFM（Noise-Robust Conditional Flow Matching） 方法，旨在直接从含有噪声的观测数据中学习并生成纯净样本。在科学成像等领域，获取无噪声参考数据成本极高，直接使用噪声数据训练会导致生成模型复现损坏的数据。
NR-CFM 针对加性高斯白噪声提供了闭式解的纯净端点校正，并对具有复杂协方差结构的高斯噪声提供数据驱动的校正。实验表明，该方法在多数设置下优于 NR-GAN，且在高噪声状态下与 Ambient Diffusion 表现相当；它甚至能在信噪比低至 0.001 的极端科学数据上生成可靠的样本。
「研究」频道最新
- 微软研究院提出决策分析引导法，让 LLM 安全应对医疗高风险决策 — brwilder · 2026-08-05
- ECCV 2026 论文发布百万级关键点数据集与通用检测模型 GKDT — NielsRogge · 2026-08-05
- 斯坦福论文剖析 VLA 模型在复杂操控任务中的失效机制 — StanfordAILab · 2026-08-05
- NeurIPS 审稿期遭遇异常沉默，作者与审稿人集体潜水？ — RevolutionaryPea8272 · 2026-08-05
- AI Scientist 夏季研讨会公布议程：聚焦可靠性与闭环发现 — nc_frey · 2026-08-05
- 深度解析：为什么大模型思维链（CoT）能生效？ — NaveenGRao · 2026-08-05