CD-TVD：基于对比学习的 3D 超分辨率方法用于稀缺高分辨率时变数据
计算机视觉与模式识别
2025-08-14 v2 图像与视频处理
摘要
大规模科学仿真需要大量资源来生成高分辨率时变数据(TVD)。虽然超分辨率是一种高效的后处理策略，但现有方法依赖大量 HR 训练数据，限制了其在多样化仿真情景中的适用性。为解决这一限制，我们提出CD-TVD，一种新型框架，将对比学习与改进的扩散基方法结合，实现从有限时步高分辨率数据进行准确 3D 超分辨率。预训练阶段，对比编码器和扩散超分辨率模块学习损坏模式及高分辨率与低分辨率样本的细节特征。在训练阶段，仅使用一个新生成的高分辨率时刻，对改进的扩散模型进行微调，利用编码器学习到的损坏知识。该设计最小化对大规模高分辨率数据集的依赖，同时保持恢复细粒度细节的能力。实验在流体和大气仿真数据集上表明，CD-TVD 能实现准确且高效的 3D 超分辨率，为大规模科学仿真的数据增强提供了重大突破。代码已公开于 https://github.com/Xin-Gao-private/CD-TVD。
引用
@article{arxiv.2508.08173,
title = {CD-TVD: Contrastive Diffusion for 3D Super-Resolution with Scarce High-Resolution Time-Varying Data},
author = {Chongke Bi and Xin Gao and Jiangkang Deng and Guan Li and Jun Han},
journal= {arXiv preprint arXiv:2508.08173},
year = {2025}
}
备注
Accepted to IEEE VIS 2025