面向PIV的迁移学习去噪扩散模型：PIV-FlowDiffuser
计算机视觉与模式识别
2025-04-22 v1 图像与视频处理
摘要
深度学习算法显著减少了粒子图像光流( PIV)的计算时间并提高了空间分辨率。然而，针对合成数据集训练的模型在实际粒子图像上可能表现下降，由于领域差距，常会观察到深层学习估计器的向量场出现特殊噪声模式。为逐步消除这些特殊噪声，我们采用去噪扩散模型( FlowDiffuser)进行 PIV分析。通过迁移学习训练数据驱动的迭代去噪扩散模型，我们得到我们的 PIV-FlowDiffuser方法。具体来说：(1) 使用计算机视觉社区的多个光流数据集预训练 FlowDiffuser模型，如 Sintel、 KITTI 等；(2) 在合成 PIV 数据集上进行微调。注意，PIV图像按比例放大两倍以解析小尺度湍流流动结构。可视化结果表明，我们的 PIV-FlowDiffuser有效抑制了噪声模式。因此，去噪扩散模型在经典 Cai 数据集上将平均端点误差( AEE)减少了59.4%，相对于 RAFT256-PIV 基线。此外，PIV-FlowDiffuser由于迁移学习显示出对未见过的粒子图像具有增强的泛化性能。总体而言，本研究强调了面向 PIV 的迁移学习去噪扩散模型。鼓励感兴趣的读者查看存储库 https://github.com/Zhu-Qianyu/PIV-FlowDiffuser 获取详细实现。
关键词
引用
@article{arxiv.2504.14952,
title = {PIV-FlowDiffuser:Transfer-learning-based denoising diffusion models for PIV},
author = {Qianyu Zhu and Junjie Wang and Jeremiah Hu and Jia Ai and Yong Lee},
journal= {arXiv preprint arXiv:2504.14952},
year = {2025}
}