用于流场重建的耦合扩散-编码器模型

数据驱动的流场重建通常依赖于自编码器架构，该架构将高维状态压缩为低维潜在表示。然而，经典方法如变分自编码器在受到强压缩时，往往难以保留流体流动的高阶统计结构。我们提出了DiffCoder，一个耦合框架，它将概率扩散模型与传统的卷积ResNet编码器集成在一起，并以端到端的方式训练两个组件。编码器将流场压缩为潜在表示，而扩散模型则学习一个基于压缩状态的重建条件生成先验。这种设计使得DiffCoder能够恢复那些并非最小化逐点重建损失所严格需要，但对于忠实表示流场统计特性至关重要的分布和谱特性。我们在一个具有挑战性的Kolmogorov流场数据集上，跨多个模型大小和压缩比评估了DiffCoder和VAE基线。在强压缩下，DiffCoder显著提高了谱精度，而VAE则表现出显著的退化。尽管两种方法显示出可比较的相对L2重建误差，但DiffCoder更好地保留了流场潜在的分布结构。在中等压缩水平下，足够大的VAE仍然具有竞争力，这表明基于扩散的先验在信息瓶颈严重时提供了最大的益处。这些结果表明，通过扩散进行生成式解码为获得紧凑、统计一致的复杂流场表示提供了一条有前景的途径。