随机微分方程分数模型
Parent: ai_keywords
随机微分方程分数模型
核心定义
随机微分方程分数模型（Score‑based SDE Models）是一类基于分数匹配（score matching）与随机微分方程（SDE）的生成框架。其核心思想是将数据分布平滑地演变到已知的先验分布（如高斯噪声），并通过求解逆向SDE从噪声中恢复原数据。模型学习的是数据对数密度梯度——即分数函数（score function），而非直接拟合概率密度。该框架统一了扩散模型（DDPM）与去噪分数匹配（DSM），在连续时间上实现了高效、高质量的生成。
关键技术点
-
正向SDE与逆向SDE
正向过程由伊藤SDE定义：(\mathrm{d}\mathbf{x} = \mathbf{f}(\mathbf{x},t),\mathrm{d}t + g(t),\mathrm{d}\mathbf{w})，将数据逐步破坏为噪声。逆向过程为对应的逆向SDE：(\mathrm{d}\mathbf{x} = [\mathbf{f}(\mathbf{x},t) - g(t)^2 \nabla_{\mathbf{x}}\log p_t(\mathbf{x})],\mathrm{d}t + g(t),\mathrm{d}\bar{\mathbf{w}})，其中(\nabla_{\mathbf{x}}\log p_t(\mathbf{x}))即为待学习的分数函数。 -
分数匹配与去噪分数匹配
通过训练一个神经网络(s_\theta(\mathbf{x},t))逼近真实分数函数。常用去噪分数匹配（Denoising Score Matching），利用添加噪声后的样本构造显式损失，避免直接计算难以处理的真实分数。 -
概率流ODE（Probability Flow ODE）
对应逆向SDE存在一个确定性的常微分方程（ODE），允许任意时刻的隐变量精确映射回原始数据，可用于快速采样、似然计算及潜在空间插值。 -
预测‑校正采样（Predictor‑Corrector Sampler）
为提高采样质量，先利用逆向SDE（预测器）进行一步演化，再通过Langevin型校正步骤（基于分数函数）修正样本分布。
医学/神经科学应用场景
首都医科大学神经病学背景下的脑卒中超早期影像重建
在急性脑卒中患者中，CT或MRI常因运动伪影、低剂量扫描等导致图像质量下降，影响血管闭塞判读。随机微分方程分数模型可应用于超分辨率图像生成与伪影去除：
- 以低质量、有噪声的脑部NECT或DWI图像作为起始分布，训练分数网络学习从伪影图像到正常图像的高维分数梯度。
- 利用逆向SDE生成高保真、高分辨率的脑部序列，清晰显示缺血核心与半暗带边界。
- 该模型可在数秒内完成重建，优于传统降噪滤波，且能保持血管形态的拓扑结构（如大脑中动脉M1段）。
- 此外，其概率流ODE支持连续时间插值，可用于模拟梗死随时间演变，为溶栓时间窗决策提供定量依据。
