基于物理信息卷积神经网络的无高分辨率标签流场超分辨率与去噪
流体动力学
2021-07-20 v1 计算物理
摘要
流体流动的高分辨率（HR）信息虽更为理想，但因计算或实验资源有限而通常较难获取。在许多情况下，流体数据往往稀疏、不完整且可能含噪。如何提升流场数据的空间分辨率并降低其噪声水平至关重要且具有实际价值。深度学习（DL）技术已被证明对超分辨率（SR）任务有效，但其主要依赖充足的 HR 标签进行训练。本工作中，我们提出一种新颖的基于物理信息 DL 的 SR 方案，利用卷积神经网络（CNN），能够在高维参数空间中由低分辨率（LR）输入生成 HR 流场。通过利用流体流动的守恒律与边界条件，该 CNN-SR 模型无需任何 HR 标签即可训练。此外，对于物理部分已知（例如未知边界条件）的场景，所提 CNN-SR 方案统一了前向 SR 与逆数据同化。我们研究了若干与心血管应用相关的流场 SR 问题，以证明该方法的有效性与优势。为说明去噪能力，我们考察了高斯与非高斯 MRI 噪声两种情况。
引用
@article{arxiv.2011.02364,
title = {Super-resolution and denoising of fluid flow using physics-informed convolutional neural networks without high-resolution labels},
author = {Han Gao and Luning Sun and Jian-Xun Wang},
journal= {arXiv preprint arXiv:2011.02364},
year = {2021}
}
备注
34 pages, 11 figures