4D高斯世界模型入门指南：从数学原理到Python实现

1次阅读

共计 2094 个字符，预计需要花费 6 分钟才能阅读完成。

当我们在 3D 空间（长 / 宽 / 高）中讨论高斯分布时，可以想象成一个逐渐变淡的云雾球体。而 4D 高斯模型增加了时间维度，相当于给这个云雾球体加上动态变化特性——比如模拟一朵随时间扩散的烟云，或跟踪物体在空间中的运动轨迹。

想象你在煮咖啡时观察奶泡扩散：

均值向量(4×1)：决定奶泡中心点在空间和时间中的位置
协方差矩阵(4×4)：控制奶泡在 XYZ 方向扩散速度和持续时间

4D 高斯函数公式：

def gaussian_4d(x, mu, cov):
    """
    x: 4 维坐标点 [x,y,z,t]
    mu: 均值向量
    cov: 协方差矩阵
    """
    diff = x - mu
    exponent = -0.5 * diff.T @ np.linalg.inv(cov) @ diff
    return np.exp(exponent) / np.sqrt((2*np.pi)**4 * np.linalg.det(cov))

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

def generate_4d_gaussian(grid_shape: tuple = (30, 30, 30, 10),
    mu: np.ndarray = np.array([15, 15, 15, 5]),
    cov: np.ndarray = np.diag([5, 5, 5, 2])**2
) -> np.ndarray:
    """
    生成 4D 高斯分布数据
    参数说明：grid_shape: 每个维度的采样点数 (x,y,z,t)
        mu: 均值向量 [x_mean, y_mean, z_mean, t_mean]
        cov: 协方差矩阵 (4x4)
    """
    # 创建 4D 坐标网格
    x, y, z, t = np.mgrid[:grid_shape[0], :grid_shape[1], 
                         :grid_shape[2], :grid_shape[3]]
    positions = np.stack((x, y, z, t), axis=-1)

    # 计算每个点的概率密度
    diff = positions - mu
    inv_cov = np.linalg.inv(cov)
    exponent = -0.5 * np.einsum('...i,ij,...j->...', diff, inv_cov, diff)
    density = np.exp(exponent) / np.sqrt((2*np.pi)**4 * np.linalg.det(cov))

    return density

# 测试示例
if __name__ == "__main__":
    # 定义动态粒子参数：中心随时间向右移动
    moving_mu = np.array([5, 10, 10, 0]) + np.array([1, 0, 0, 1]) * np.arange(10)
    density = generate_4d_gaussian(mu=moving_mu.mean(axis=0))

    # 可视化时间切片 (t= 5 时刻)
    fig = plt.figure(figsize=(10, 8))
    ax = fig.add_subplot(111, projection='3d')

    # 显示 3D 等值面
    X, Y, Z = np.mgrid[:30, :30, :30]
    ax.scatter(X, Y, Z, c=density[..., 5], alpha=0.3)
    ax.set_title("3D Slice at Time Step 5")
    plt.show()

协方差矩阵设置：
对角元素：控制各维度扩展范围（值越大分布越分散）
非对角元素：控制维度间关联（如 XY 值较大时粒子会斜向运动）

典型配置示例：

# 膨胀中的球体（空间均匀扩散）cov_ball = np.diag([2, 2, 2, 0.5])**2  # 注意时间维度变化较慢

# 运动中的粒子流（沿 X 轴方向移动）cov_flow = np.array([[3, 1, 0, 0.7],  # X 与时间正相关
    [1, 2, 0, 0],
    [0, 0, 2, 0],
    [0.7, 0, 0, 1]
])