基于可微仿真器的稀疏测量下稠密场的鲁棒重建
机器学习
2026-01-29 v1 机器学习
摘要
从稀疏测量生成稠密物理场是抽样、信号处理及众多应用中的一个基本问题。现有方法要么依赖空间统计量，要么依赖稠密场的训练样本，这些样本往往不可得，因而依赖合成数据。本文提出一种无需假设空间统计量存在，也无需依赖稠密场样本的重建方法。通过在方法训练阶段引入一个自动可微的数值仿真器，实现了稠密场的生成。我们在三个流体力学标准问题上表明，该方法在统计方法和神经网络方法方面具有优异性能。
引用
@article{arxiv.2601.20496,
title = {Physics-informed Blind Reconstruction of Dense Fields from Sparse Measurements using Neural Networks with a Differentiable Simulator},
author = {Ofek Aloni and Barak Fishbain},
journal= {arXiv preprint arXiv:2601.20496},
year = {2026}
}