DFK-Former：稀疏观测重建无散度速度场

2026年10月15日，arXiv Artificial Intelligence 刊出 Ramzi Idoughi、Radouan Boukharfane、Peter Wonka 的论文，提出 DFK-Former，一种集合到场的 Transformer，可从稀疏、含噪且不规则采样的三维观测中重建无散度速度场。该模型直接预测无散度核表示参数，单次前向即可完成，无需逐场迭代优化；其引入的自适应各向异性无散度核在构造上精确满足不可压缩性。报道称，在稀疏、噪声与遮挡实验中，其端点误差较逐场无散度核优化最多降低 4.6 倍，单场重建耗时 7.5 ms 而非 9.8 s，并已迁移至真实 DNS 湍流数据。上述数值与结论均出自该论文报道，尚无其他独立来源跟进或提出不同说法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。