FFEINR：面向时空超分辨率的流场特征增强隐式神经表示

大规模数值模拟能够生成高达太字节甚至拍字节的数据。作为一种有前景的数据缩减方法，超分辨率（SR）已在科学可视化领域得到广泛研究。然而，其中大多数基于深度卷积神经网络（CNNs）或生成对抗网络（GANs），且尺度因子需在构建网络前确定。因此，单次训练仅支持固定因子且泛化能力较差。为解决这些问题，本文提出一种特征增强隐式神经表示（FFEINR）用于流场数据的时空超分辨率。它可充分利用隐式神经表示在模型结构与采样分辨率方面的优势。该神经表示基于带有周期激活函数的全连接网络，使我们能够获得轻量级模型。学习到的连续表示可将低分辨率流场输入数据解码至任意空间与时间分辨率，从而实现灵活的上采样。FFEINR的训练过程通过为输入层引入特征增强得以促进，其补充了流场的上下文信息。为证明所提方法的有效性，我们在不同数据集上通过设置不同超参数进行了一系列实验。结果表明FFEINR取得了显著优于三线性插值方法的结果。