[论文解读] Neural Particle Image Velocimetry

Nikolay Stulov, Michael Chertkov|arXiv (Cornell University)|Jan 28, 2021

Advanced Vision and Imaging参考文献 30被引用 6

一句话总结

本文提出了一种基于深度学习的方法 PIV-VCN-en，通过从连续图像对中估计细粒度速度场，将体素对应网络（VCN）适配于实时、高分辨率粒子图像测速（PIV）技术。该方法在传统光学流与互相关方法的基础上，实现了显著提升的计算效率，同时保持了最先进的精度，并通过了严格的物理信息湍流诊断验证。

ABSTRACT

In the past decades, great progress has been made in the field of optical and particle-based measurement techniques for experimental analysis of fluid flows. Particle Image Velocimetry (PIV) technique is widely used to identify flow parameters from time-consecutive snapshots of particles injected into the fluid. The computation is performed as post-processing of the experimental data via proximity measure between particles in frames of reference. However, the post-processing step becomes problematic as the motility and density of the particles increases, since the data emerges in extreme rates and volumes. Moreover, existing algorithms for PIV either provide sparse estimations of the flow or require large computational time frame preventing from on-line use. The goal of this manuscript is therefore to develop an accurate on-line algorithm for estimation of the fine-grained velocity field from PIV data. As the data constitutes a pair of images, we employ computer vision methods to solve the problem. In this work, we introduce a convolutional neural network adapted to the problem, namely Volumetric Correspondence Network (VCN) which was recently proposed for the end-to-end optical flow estimation in computer vision. The network is thoroughly trained and tested on a dataset containing both synthetic and real flow data. Experimental results are analyzed and compared to that of conventional methods as well as other recently introduced methods based on neural networks. Our analysis indicates that the proposed approach provides improved efficiency also keeping accuracy on par with other state-of-the-art methods in the field. We also verify through a-posteriori tests that our newly constructed VCN schemes are reproducing well physically relevant statistics of velocity and velocity gradients.

研究动机与目标

• 开发一种在线、准确且高效的算法，用于从 PIV 数据中估计细粒度速度场。
• 克服传统 PIV 方法的局限性，例如基于互相关方法的空间分辨率较低，以及基于光学流方法的计算成本过高。
• 将先进的计算机视觉技术——特别是体素对应网络（VCN）——适配于 PIV 问题，以提升性能。
• 通过合成与真实流场数据验证该方法，确保速度场及其速度梯度统计量的物理一致性。
• 通过结合高精度与计算效率，实现 PIV 的实时处理，支持主动流动控制等在线应用。

提出的方法

• 该方法采用卷积神经网络（VCN），该网络最初为计算机视觉中的立体匹配而开发，现被适配用于 PIV，以估计连续粒子图像对之间的光学流。
• VCN 在结合了合成与真实 PIV 数据的多源数据集上进行端到端训练，涵盖多种流型，如通道流、圆柱流、逆向台阶流、DNS 湍流和 SQG 流。
• 网络通过学习图像对之间的像素级对应关系，预测密集速度场，同时利用局部强度模式与全局流场结构。
• 通过数据分布隐式集成物理约束，确保预测的速度场尊重不可压缩性及能量谱标度等关键流体动力学特性。
• 采用标准 PIV 指标与先进物理信息诊断方法（包括能量谱、结构函数与散度测试）对模型进行评估。
• 引入一种改进变体 PIV-VCN-en，通过增强网络架构与数据增强策略，提升泛化能力与分辨率。

实验结果

研究问题

• RQ1 在合成与真实 PIV 数据上进行训练的基于深度学习的光学流网络，能否生成与最先进方法相当的准确、密集速度场？
• RQ2 所提出的基于 VCN 的方法是否在精度与计算效率方面均优于传统的互相关与光学流方法？
• RQ3 预测的速度场在多大程度上保持了能量谱与速度结构函数等物理相关统计特性？
• RQ4 该模型是否能在无需显式物理建模的情况下，泛化至包括湍流与复杂流场在内的多种流动状态？
• RQ5 该方法是否适用于实时 PIV 处理，从而支持如主动流动控制等在线应用？

主要发现

• PIV-VCN-en 模型在速度场估计方面达到了最先进的精度，其空间分辨率与计算效率均优于传统的互相关与光学流方法。
• 该方法生成的速度场在能量谱与结构函数方面与真实值高度吻合，表明具有强大的物理一致性。
• 模型在散度测试中表现出低平均散度，尤其在本征不可压缩流场中表现稳健，证明对二维投影中压缩性伪影具有强鲁棒性。
• 与传统光学流方法（如 HS）相比，基于 VCN 的方法显著降低了推理时间，具备实现实时部署的潜力。
• 该模型在多种流型（包括 DNS 湍流与 SQG 流）中均表现出良好的泛化能力，所有测试案例中性能一致。
• 物理信息诊断结果表明，预测的速度梯度与速度增量在空间与时间尺度上均表现出合理的标度关系，验证了其物理合理性。