目标位置信号缺失时也能重建：DiffusionRef-IMU 只让扩散模型补残差，五折误差均低于确定性基线
核心概要
可穿戴惯性传感器换到另一个身体部位后，信号分布随之改变，而目标位置的测量在训练和部署时往往拿不到。DiffusionRef-IMU 先用确定性 Direct 网络给出目标位置估计，再让扩散模型只修正这份估计与真实目标之间的残差。在五个受试者不重叠、活动与位置组合被留出的折上，16 步 DDIM 的平均 nRMSE 为 0.087538，低于 Direct 的 0.090262、同容量确定性残差模型的 0.088847 和八步 CompFlow 的 0.088417，并在五折中全部占优。
深度剖析
跨位置惯性信号翻译不再要求扩散模型从零生成整段目标波形，而是把它限制在确定性估计尚未解释的那部分差异上。 此前的虚拟传感与生成式惯性数据工作主要面向数据增强、缺失传感器恢复或与位置无关的分类，并不重建与某个源位置窗口配对的特定目标位置波形。 在五个受试者不重叠、活动与位置组合被留出的折上，16 步 DiffusionRef 的平均 nRMSE 为 0.087538，Direct 为 0.090262，同容量确定性残差模型 DetRef 为 0.088847，八步 CompFlow 为 0.088417，DiffusionRef 对三者均在 5/5 折中占优。
两阶段流程先由一个一维 U-Net 从源窗口回归六通道目标估计，再由残差扩散网络在每一步同时看到源窗口、这份冻结的估计和当前含噪残差。 残差网络采用与对照实验相同的参数化，输入为 18 通道，即六通道含噪残差、六通道源窗口和六通道 Direct 估计，可训练参数 5,991,046 个。 推理使用零先验的确定性 DDIM，四步配置在 Tesla T4 上以每窗口 47.62 ms 取得 0.087820 的平均 nRMSE，16 步为 161.11 ms 取得 0.087538，32 步仅再降到 0.087534 而延迟升至 316.15 ms。
启示与展望
演示范围限于六通道加速度—角速度信号、所研究的 12 类活动与 17 个身体位置、两秒窗口以及 Comprehensive IMU 数据集的受试者；外部检验只覆盖 Grouvel2025 与 Saldaña2025 两个数据集，且仅使用主数据词表中已有的活动语义。
外部零样本结果本身是混合的：DiffusionRef-16 在 Grouvel2025 上略优于 Direct，在 Saldaña2025 上却不如 Direct，冻结的主数据归一化在两个外部集上分别有约 0.55 和 0.48 的样本被裁剪，说明存在明显的分布偏移。五折配对样本使精确符号翻转检验的双侧值最低为 0.0625，因此方向一致性、效应量与置信区间比显著性阈值更有信息量。