摘要
我们研究基于随机微分方程（SDE）的思路如何启发现有计算机视觉算法在一系列问题上的新改进。从广义上讲，我们的方法与数据增强和群等变性（group equivariance）的显式与隐式策略均相关，但其理论基础源于SDE领域关于一类随机过程的无穷小生成元估计的最新研究成果。当应用或任务需求与我们能够高效处理的随机过程的内在属性和行为之间存在基本一致时，我们可构造出一种极为简洁且高效的即插即用模块，该模块可无缝嵌入任意现有网络架构中，仅需极少修改和少量额外参数。我们在多个视觉任务上开展了具有前景的实验，包括少样本学习（few-shot learning）、点云变换器（point cloud transformers）以及深度变分分割（deep variational segmentation），均取得了效率或性能上的提升。