分支薛定谔桥匹配

预测初始分布和目标分布之间的中间轨迹是生成建模中的一个核心问题。现有方法，如流匹配（flow matching）和薛定谔桥匹配（Schr"odinger Bridge Matching），通过建模单一随机路径有效地学习两种分布之间的映射。然而，这些方法本质上局限于单峰过渡，无法捕捉从共同起源到多个不同结果的分支或发散演变。为了解决这个问题，我们引入了分支薛定谔桥匹配（Branched Schr"odinger Bridge Matching, BranchSBM），一个学习分支薛定谔桥的新颖框架。BranchSBM 对多个时变速度场和增长过程进行参数化，从而能够表示群体层面发散到多个终端分布的情况。我们表明 BranchSBM 不仅更具表现力，而且对于涉及多路径表面导航、从同质祖细胞状态建模细胞命运分叉以及模拟细胞对扰动的发散响应等任务至关重要。