打破尺度锚定：频率表示学习实现从低分辨率训练到高分辨率推理的精确推断

零样本超分辨率时空预测要求深度学习模型在低分辨率数据上训练并在高分辨率上进行推理。现有研究将不同分辨率间保持相似误差视为多分辨率泛化成功的标志。然而，作为数值求解器替代方案的深度学习模型应当随分辨率提高而降低误差。其根本限制在于，低分辨率数据所能表示的物理定律频率上限受其奈奎斯特频率约束，使得模型在处理高分辨率推理中包含未见频率成分的信号时面临困难。这导致误差被锚定在低分辨率，被错误地解释为成功的泛化。我们将这一基本现象定义为与现有问题不同的新问题：尺度锚定。因此，我们提出了架构无关的频率表示学习(FRL)。FRL通过分辨率对齐的频率表示和谱一致性训练来缓解尺度锚定：在具有更高奈奎斯特频率的网格上，FRL增强变体在高频段的频率响应更加稳定。这使得误差能够随分辨率降低，并在我们的任务和分辨率范围内显著超越基线，同时仅带来适度的计算开销。