在动态系统分析与估计领域，传统的滤波方法如卡尔曼滤波器长期依赖于线性高斯观测模型。然而，随着传感器技术的进步，高维信号呈现出越来越强的非线性和异质性，这些简单模型已无法胜任。为了解决这一瓶颈，研究者提出了生成式贝叶斯滤波（GBF）框架。
GBF的核心创新在于用预训练的条件生成模型——具体而言是条件变分自编码器（CVAE）——来替代传统的、限制性的观测模型。在离线阶段，CVAE通过大量观测数据学习复杂的条件分布；在线推理阶段，GBF执行贝叶斯预测-更新递归，其中测量更新被形式化为一个后验采样问题，巧妙地将动态先验与CVAE诱导的似然相结合。进一步地，整个滤波问题被转化为基于分数的采样问题，从而自然继承了生成模型的灵活性以及集成方法在处理不确定性方面的优势。该转化使得模型能够在不依赖显式似然函数的情况下进行高效推理。
实验部分，论文在合成数据集和两个真实应用场景——制造系统监测和心律失常诊断——中验证了GBF的性能。在制造系统中，传感器数据往往包含多种操作模式间的切换；而在心律失常诊断中，心电图信号表现出复杂的非线性模式。结果表明，相比包括扩展卡尔曼滤波器、粒子滤波器在内的各类基线方法，GBF均显著提升了状态估计的准确性和鲁棒性。此外，GBF还提供了良好的不确定性量化，这对于安全关键应用尤为关键。
总结而言，GBF框架有效地弥合了传统滤波方法与现代生成模型之间的鸿沟，为复杂动态系统中的状态估计开辟了新的途径。未来工作可进一步探索其他生成模型架构以及在线学习策略。