随机播种场的超分辨率GAN
流体动力学
2022-10-20 v2 机器学习
计算物理
摘要
从稀疏测量中重构场量是广泛应用中的一个问题。当稀疏测量与场量之间的映射以无监督方式完成时,该任务尤其具有挑战性。移动传感器和/或随机开关状态进一步增加了复杂性。在此类条件下,最直接的解决方案是将散点数据插值到规则网格上。然而,这种方法所达空间分辨率最终受限于稀疏测量间的平均间距。本工作中,我们提出一种超分辨率生成对抗网络(GAN)框架,从随机稀疏传感器估计场量,无需任何全场地高分辨率训练。该算法利用随机采样提供对{高分辨率}底层分布的不完整视图。其在此被称为随机播种超分辨率GAN(RaSeedGAN)。所提技术在流体流动仿真合成数据库、海洋表面温度分布测量以及零压力梯度湍流边界层的粒子图像测速数据上进行了测试。结果显示即使在高度稀疏或含噪声水平下也表现优异。据我们所知,这是首个从随机播种场进行全场地高分辨率估计且无需全场地高分辨率表示的GAN算法。
引用
@article{arxiv.2202.11701,
title = {Super-resolution GANs of randomly-seeded fields},
author = {Alejandro Güemes and Carlos Sanmiguel Vila and Stefano Discetti},
journal= {arXiv preprint arXiv:2202.11701},
year = {2022}
}