复用image-to-image GAN实现轨迹空间去噪的可行性问询

这种图像到图像去噪模型的适配方案具备较高可行性，核心逻辑和你的需求高度匹配，仅需针对序列数据特征做少量改造即可落地。

适配核心依据 #

图像到图像的条件生成去噪模型的核心逻辑是学习输入到输出的元素级映射关系，在保留输入核心结构特征的前提下滤除随机噪声，和你需要的「输入含噪坐标序列、输出保留真实运动规律的无噪轨迹」需求完全对齐，仅输入输出的数据形态从二维图像矩阵变为时序坐标序列。

具体适配改造方向 #

• 输入输出层适配：无需强行将轨迹转换为图像格式输入，可直接用1D-CNN替换原有模型的2D-CNN结构，将卷积核调整为适配(时序长度, 2)的坐标序列输入，直接在时序维度提取粒子运动特征，避免格式转换带来的信息损失。
• 损失函数优化：可以保留原模型的对抗损失项保证轨迹整体运动合理性，额外叠加针对坐标精度的Huber损失（比均方误差对极端噪声点更鲁棒），还可根据粒子运动的物理规律增加速度连续性、加速度合理性约束项，比通用图像去噪模型的输出更贴合实验场景要求。
• 训练流程适配：你目前准备的「模拟轨迹作为ground truth、人工注入噪声生成含噪样本」的训练数据方案完全匹配这类模型的训练要求，仅需保证人工注入的噪声分布和真实实验场景下的噪声特征一致，即可让模型在真实实验数据上获得较好的泛化效果。

如果你的实验场景中轨迹长度不固定，还可以参考U-Net的跳跃连接结构调整模型，通过时序padding适配不同长度的序列输入，无需强制固定输入尺寸。

内容的提问来源于stack exchange，提问作者BptGrm