稀疏传感生成重建模型

稀疏数据零样本重建

在极稀疏传感条件下实现高精度时空场重建与预测，适应强噪声和全域泛化。

Zeyu, Li · Han, Wang · Zhang, Yue · 富庆飞 · 李敬轩 · Qin, Lizi · Dong, Ruoyu · Sun, Hao · 邓岳 · 杨立军

Nature Machine Intelligence 2024

技术优势

零样本重建

预训练生成模型学到了动力学系统的联合分布，无需针对新任务重新训练即可从稀疏测量重建全场，省去了逐案例训练。

抗噪声鲁棒

在高度数据稀疏且含噪声的条件下仍能保持高精度重建，降低了对传感数据质量的要求。

跨系统泛化

在湍流、气象等多种动力学系统上验证有效，同一个预训练模型适用于不同领域的重建任务。

应用场景

• 空间场重建：用少量传感器测量重建整个物理场，减少传感器布设成本。
• 流体动力学预测：从稀疏测量预测湍流等复杂流动的全场演化，辅助实验和设计。
• 气象预报：在观测稀疏地区实现高精度天气场重建与预报。
• 科学机器学习：提供一种基于生成建模的科学数据处理新范式，适用于稀疏数据场景。