科学模拟的时空超分辨率的运算符学习框架

Nov, 2023

科学模拟的时空超分辨率的运算符学习框架

An Operator Learning Framework for Spatiotemporal Super-resolution of Scientific Simulations

Valentin Duruisseaux, Amit Chakraborty

TL;DR用机器学习技术进行超分辨率，从低分辨率模拟中重建高分辨率数值解的方法

Abstract

In numerous contexts, high-resolution solutions to partial differential equations are required to capture faithfully essential dynamics which occur at small spatiotemporal scales, but these solutions can be very difficult and slow to obtain using traditional methods due to limited comp

high-resolution solutions partial differential equations super-resolution machine learning techniques parametric differential equations

发现论文，激发创造

利用物理学有支持的深度学习进行动态系统的时空超分辨率

本文提出了一种物理知识驱动的深度学习超分辨率框架，用于增强时间依赖型偏微分方程 (PDE) 的空时分辨率。该框架包含两个可训练模块，先进行空间超分辨率再进行时间超分辨率，实现高分辨率输出，同时满足物理约束条件，应用于工程设计中以减少计算复杂度。

Dec, 2022

超分辨率神经算子

提出了一种深度操作学习框架 “SRNO”，它通过将低分辨率图像对作为使用不同网格大小逼近的连续函数来实现将高分辨率图像从低分辨率图像中恢复，其中关键特点是使用 Galerkin-type 注意力的内核积分和多层注意力结构的动态潜在基础更新。

Mar, 2023

具有可学习的频率感知丢失先验的分层神经运算器变压器用于任意尺度超分辨率

本研究提出了一种任意尺度的超分辨率方法，用于提高科学数据的分辨率；基于算子学习，使用分层神经算子和自注意机制，利用 Sinc 滤波器实现不同层级之间的信息传递，并引入可学习的先验结构动态调整像素贡献权重，从而有效平衡模型中的梯度；在多个领域的不同数据集上进行了大量实验证明相对于最先进的方法，本方法有着持续的改进。

May, 2024

基于学习的超分辨率框架在美国信号中的应用

提出了一种基于深度学习的超分辨率超声图像和视频增强方法，通过训练模型和大量医学图像数据进行定制化的超分辨率处理，实现了对不同解剖区域的低分辨率超声图像和视频的有效提高，并且兼顾了训练网络的运算速度和硬件资源消耗。

Apr, 2023

基于机器学习的湍流流场时空超分辨率重建

本文介绍了一种利用监督式机器学习技术、灵感来源于超分辨率和插帧的新型湍流数据重建方法，通过卷积神经网络的多尺度模型，及时地将高分辨率的湍流流场从粗略的空间和时间数据中恢复出来，该方法在二维圆柱后流、二维衰减均匀同性湍流和三维涡旋管道流场的应用中得到了验证，表明其能够满足多种流场重建的需求。

Apr, 2020

通过预测偏移量进行超分辨率：一种用于栅格化图像的超高效率超分辨率网络

该论文提出了一种基于预测偏移量的超分辨率算法，SRPO，用于实时计算机图形的超分辨率处理，该算法分为两部分：分别处理边缘和平坦区域，只包含 8434 个参数，可以通过网络量化加速，并且在小的计算资源下，能够以比现有的最先进方法更小的计算成本获得卓越的视觉效果。

Oct, 2022

HighRes-net：多帧卫星图像超分辨率递归融合

本论文提出了一种基于深度学习的多帧超分辨率方法 HighRes-net，首次使用端到端的方式学习了低分辨率图像的配准、融合和上采样等任务，并通过准确的配准和 ShiftNet 算法实现了真实卫星图像的超分辨率处理，促进了地球观测数据的应用。

Feb, 2020

时空分层强化学习用于可解释的病理图像超分辨率

提出了一种层次强化学习框架，用于解决病理图像超分辨率问题中的问题，通过分级恢复机制和时空管理器实现对病理图像的逐块恢复，并在肿瘤诊断方面取得显著提升。

Jun, 2024

多尺度神经算子：学习快速且与网格无关的 PDE 求解器

利用神经算子的混合模型有效缩短了气候、化学或天体物理领域的数值模拟所需的计算成本、提升了模型预测精度、并提供了更灵活的可靠的参数化方法。

Jul, 2022

AnimeSR：学习用于动画视频的真实世界超分辨率模型

本文研究解决现实世界中动画视频超分辨率（VSR）的难题，并揭示了实用动画 VSR 的三个关键改进：通过学习基本运算符来改进基本降质操作生成过程中的能力，使用 AVC 数据集进行综合训练和评估，以及研究有效的多尺度网络结构。我们的 AnimeSR 方法能够有效和高效地恢复现实世界中低质量的动画视频，并实现了优于以往最先进方法的性能。

Jun, 2022