利用自编码器-扩散级联结构重建稀疏测量下的多尺度物理场

极端传感器稀疏性使得在科学探测中进行全场重建成为一个根本不确定的问题，其目标是从稀疏测量中推断物理场。在此 regime 中，后验分布 severely 受限且本质上具有多模态，使得其近似估计高度不稳定。具体而言，确定性映射会坍塌不确定性，基于条件的直接学习无法覆盖所有可能的观测条件解的空间，以及基于似然的采样对噪声和传感器配置极其敏感。这一局限性导致后验估计不稳定，凸显了以结构化方式建模不确定性的必要性。为此，我们提出了 Cascaded Sensing—a 一种跨尺度后验推断的层次框架。与直接建模全场后验不同，Cas-Sensing 首先通过确定性粗糙阶段估计器解决全局结构歧义。一个基于神经算子的函数自编码器经过掩码输入训练，映射稀疏观测到粗尺度结构场，类似于选择占主导全局配置的最大后验概率估计器。这一结构锚定固定了后验的主要自由度，将问题转化为更好条件化的残差推断任务。随后，条件扩散模型仅学习细尺度残差分布，将采样限制在合理解的稳定邻域内，从而抑制观察一致模式之间的竞争。为增强在不同感知条件下的鲁棒性，我们引入 mask-cascade 训练，通过中间粗糙重构暴露模型于多样化的稀疏观测模式。在推断过程中，manifold 约束引导将观测一致性作为细化机制，而非全局模式选择过程。