基于轻量残差复合增强收敛神经网络的粒子场计算层析成像伪影噪声抑制OA北大核心CSTPCD
由于流场中的微粒分布状态能够充分表征场的特性,因此通过稀疏采样实现快速和高质量的粒子场成像始终是实验流体力学等领域高度期盼的.近年来,随着深度学习应用于粒子计算层析成像,如何提高神经网络的处理效率和质量,以消除稀疏采样所致的粒子层析图像伪影噪声仍然是一个挑战性课题.为解决这一问题,本文提出了一种新的抑制粒子场层析成像伪影噪声和提高网络效率的神经网络方法.该方法在设计上包含了轻量化双残差下采样图像压缩和特征识别提取、快速特征收敛的上采样图像恢复,以及基于经典计算层析成像算法的优化信噪比网络输入样本集构建.对整个成像系统的模拟分析和实验测试表明,相比于经典的U-net和Resnet50网络方法,本文提出的方法不仅在输出/输入的粒子图像信噪比、重建像的残余伪影噪声(即鬼粒子占比)和有效粒子损失比方面获得了极大的改进,而且也显著提高了网络的训练效率.这对发展基于稀疏采样的快速和高质量粒子场计算层析成像提供了一个新的有效方法.
施岳;欧攀;郑明;邰含旭;王玉红;段若楠;吴坚;
北京航空航天大学物理学院,北京100191北京航空航天大学仪器与光电工程学院,北京100191
计算机与自动化
粒子场成像计算层析成像深度学习噪声抑制
《物理学报》 2024 (010)
P.162-174 / 13
国家自然科学基金(批准号:61874117)资助的课题。
评论