[论文解读] Physics-Informed Neural Network Super Resolution for Advection-Diffusion Models

Chulin Wang, Eloisa Bentivegna+3 more|arXiv (Cornell University)|Nov 4, 2020

Advanced Image Processing Techniques参考文献 19被引用 24

一句话总结

本文提出了一种物理信息神经网络超分辨率（PINNSR）方法，通过在训练过程中强制执行控制偏微分方程，提升对流-扩散模拟的低分辨率图像。通过结合基于像素的损失与源自对流-扩散方程的物理一致性损失，PINNSR在40%像素缺失的情况下，仍实现11%更高的信噪比和更优的重建精度，优于标准超分辨率（SR）方法和双三次插值法。

ABSTRACT

Physics-informed neural networks (NN) are an emerging technique to improve spatial resolution and enforce physical consistency of data from physics models or satellite observations. A super-resolution (SR) technique is explored to reconstruct high-resolution images ($4 imes$) from lower resolution images in an advection-diffusion model of atmospheric pollution plumes. SR performance is generally increased when the advection-diffusion equation constrains the NN in addition to conventional pixel-based constraints. The ability of SR techniques to also reconstruct missing data is investigated by randomly removing image pixels from the simulations and allowing the system to learn the content of missing data. Improvements in S/N of $11\%$ are demonstrated when physics equations are included in SR with $40\%$ pixel loss. Physics-informed NNs accurately reconstruct corrupted images and generate better results compared to the standard SR approaches.

研究动机与目标

• 开发一种在对流-扩散模型中强制实施物理一致性的超分辨率方法，尤其适用于低分辨率或不完整数据的情况。
• 解决标准SR方法依赖于合成下采样（如双三次插值）的局限性，这些方法在具有不同退化模式的真实世界数据上表现不佳。
• 从低分辨率模拟中实现对大气污染羽流的高分辨率重建，同时保持物理定律的准确性。
• 证明在重建卫星观测中常见的缺失像素方面具有鲁棒性。

提出的方法

• 该方法采用基于残差嵌套残差块（RRDB）的深度神经网络，不使用判别器，以优先提升峰值信噪比（PSNR）而非感知质量。
• 提出一种物理一致性损失 $\mathcal{L}_{\rm phys} = \|R(C_{\rm SR}) - R(C_{\rm HR})\|_1$，其中 $R(C)$ 是通过有限差分法计算的对流-扩散方程的残差。
• 训练数据通过从相同初始条件直接模拟高分辨率和低分辨率下的对流-扩散方程生成，避免使用合成下采样。
• 总损失为像素损失 $\mathcal{L}_{\rm pix}$ 与物理一致性损失 $\mathcal{L}_{\rm phys}$ 的加权和，实现联合优化。
• 训练期间应用随机像素丢弃，以模拟卫星图像中的缺失数据。
• 通过PSNR、SSIM和 $\mathcal{L}_{\rm phys}$ 评估重建质量与物理保真度。

实验结果

研究问题

• RQ1 物理信息神经网络是否能在对流-扩散模型中超分辨率性能上超越仅依赖像素损失的标准方法？
• RQ2 在像素缺失的情况下，将对流-扩散方程作为约束条件，对重建精度有何影响？
• RQ3 在直接模拟的低分辨率-高分辨率配对数据上进行训练，是否优于在双三次下采样生成的高分辨率数据上训练的模型？
• RQ4 物理一致性损失能否量化超分辨率输出的物理合理性？
• RQ5 在处理真实世界数据退化时，PINNSR与双三次插值和标准SR等基线方法相比表现如何？

主要发现

• 当40%的像素缺失时，PINNSR实现82.12 dB的PSNR，相比标准SR方法信噪比提升11%。
• 物理一致性损失 $\mathcal{L}_{\rm phys}$ 降低至1.5×10⁻⁷，表明对对流-扩散方程的强遵循性。
• PINNSR在残差图上的像素级误差相比双三次插值和标准SR方法降低了两个数量级。
• 在双三次下采样生成的高分辨率数据上训练的Dwn-HR模型，在模拟的低分辨率数据上表现较差（PSNR ~45），表明其学习的是下采样核的逆过程，而非真实的物理映射。
• 与两步法（如先填充缺失像素再应用SR）相比，PINNSR泛化能力更强，因其直接从不完整数据中学习物理关系。
• 该方法在所有测试的像素丢失率下均保持高性能，PSNR和 $\mathcal{L}_{\rm phys}$ 均保持一致提升，证实了对数据损坏的鲁棒性。