MCFormer：用于粒子图像测速的多代价体网络与综合基准

粒子图像测速是流体动力学的基础，但深度学习应用面临重大障碍。存在一个关键空白：缺乏对多种光流模型在粒子图像测速数据上具体表现的全面评估，这主要是由于可用数据集的限制和标准化基准的缺失。这阻碍了公平比较和进展。为解决此问题，我们的主要贡献是一个从多样化计算流体动力学模拟（JHTDB和Blasius）生成的新颖大规模合成粒子图像测速基准数据集。它具有前所未有的粒子密度、流速和连续运动多样性，首次实现了对各种光流和粒子图像测速算法的标准化和严格评估。作为补充，我们提出了多代价体粒子图像测速（MCFormer），一种利用多帧时间信息和多个代价体的新型深度网络架构，专门针对粒子图像测速的稀疏特性设计。我们的综合基准评估（同类首次）揭示了适配光流模型之间的显著性能差异，并表明MCFormer显著优于现有方法，实现了最低的整体归一化端点误差。这项工作为未来粒子图像测速研究提供了基础基准资源，以及一种针对粒子图像测速挑战量身定制的最先进方法。我们公开提供基准数据集和代码，以促进该领域的未来研究。