Dec, 2023

基于物理模型的像素注意力生成对抗网络的 3D 超分辨率风场重建

PDF
TL;DR通过高分辨率风场的超分辨率处理，本研究展示了一种基于物理信息的超分辨率生成对抗网络（SR-GAN）的初步开发，可以将低分辨率的三维风场提升 9 倍，获得高保真度的风场数据，并大幅降低了高分辨率风场模拟的计算成本。
global warminggreenhouse gas sourceshigh-resolution wind fieldssuper-resolution generative adversarial network3d wind data
发现论文，激发创造
  • 算法幻觉下的近地表风：生成对抗网络用于下尺度对流区域的统计降尺度

    本研究运用生成对抗网络（GANs）和计算机视觉技术，通过图像超分辨率和深度学习方法，针对低分辨率全球再分析数据，生成逼真的高分辨率地表风场，并探究了 GANs 不同配置与低分辨率协变量对风场结构偏差产生的影响。

    Feb, 2023

  • 复杂地形中增强风场分辨率的机器学习

    利用神经网络方法实现在挪威 Bessaker 的实际风电场中将低分辨率风场提升为高分辨率风场，并展示该模型能够成功重构完全解析的三维速度场，并且优于三线性插值，同时通过适当的代价函数可以减少对对抗训练的使用。

    Sep, 2023

  • 基于生成式深度学习的降水预测随机降尺度方法

    本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构，以匹配高分辨率雷达测量数据。结果表明，该模型可以匹配现有的最佳降尺度方法，而且在像素、空间和统计数据上表现优异。

    Apr, 2022

  • 利用生成对抗网络进行随机超分辨率，在时间演化大气场上进行下采样

    介绍了一种基于生成对抗网络的重复随机超分辨率 GAN，该 GAN 可以应用于低分辨率气象数据，生成时间演化的高分辨率气象数据。

    May, 2020

  • 利用图卷积生成对抗网络生成风力场景

    利用图卷积生成对抗网络进行风能场景生成，通过采用图卷积和一维卷积提取时间空间特征和空间相关性，相较于其他基于生成对抗网络的输出产生更具现实性的场景。

    Dec, 2022

  • 基于多模式学习的高分辨率空间风速场重建

    基于变分数据同化和深度学习概念的框架，用于海面风速的时空丰富、高分辨率信息恢复和模型重建。

    Dec, 2023

  • 利用物理知识生成对抗网络进行湍流丰度增强

    本文探讨了基于物理方法的生成对流层的 GAN 泛化方法，通过修改损失函数并最小化生成数据的控制方程残差，实现了对生成数据的受控制生成，并通过对比能量统计、流场形态等指标之间的差异来展示其中的优势。

    Mar, 2020

  • 从粗到细：分层像素整合用于轻量级图像超分辨率

    本研究旨在设计一种新的关注区块，其见解来自于 SR 网络的局部归因图解释。我们使用轻量级全局像素访问模块处理全局区域，使用 Intra-Patch 自我关注模块处理局部区域，并使用级联补丁划分策略来提高恢复图像的感知质量。实验结果表明，我们的方法比最先进的轻量级 SR 方法表现更好。

    Nov, 2022

  • 基于全数据驱动的超分辨率生成对抗网络的地震数据采样率频率增加模型

    通过利用超分辨率生成对抗网络（SRGANs）提高地震工程领域一种传感器网络数据的分辨率，本研究为结构健康监测（SHM）系统中的传感器提供了成本效益和高效的改进方案。

    Jan, 2024

  • 气候模型偏差校正和超分辨对比学习

    在对气候模型进行本地气候风险准确估计时，我们提出了一种基于图像超分辨率和对比学习生成对抗网络的方法，该方法可以在实现偏差校正的同时将空间分辨率提高一倍，并且可用于更精确的洪水、干旱和热浪等灾害的本地准确建模。

    Nov, 2022