应用物理和工程中的许多问题都涉及从数据中学习物理位移场。粒子图像测速（PIV）是实验流体动力学中至关重要的一种方法，在汽车、航空航天和生物医学工程等众多领域均有应用。

德国亚琛工业大学的研究人员提出了一种基于深度神经网络的端到端学习位移场的方法，重点关注粒子图像测速的具体情况。

该研究以「Deep recurrent optical flow learning for particle image velocimetry data」为题，于 2021 年 7 月 20 日发布在《Nature Machine Intelligence》。

论文链接：https://www.nature.com/articles/s42256-021-00369-0#Sec1

受当前经典 PIV 方法的这些局限性的启发，研究人员将深度光流学习的思想与 PIV 分析相结合。展示了如何使用端到端神经网络方法有效地学习位移场。该方法基于最近用于光流学习的神经网络架构，称为循环全对场变换（RAFT）。与经典的手动方法相比，该方法是通用的、近乎自动化的，并且产生了研究许多应用中关键的更精细波动尺度所需的密集流量估计。

研究人员提出的 RAFT-PIV，是一种用于 PIV 应用中光流估计的深度神经网络架构。RAFT-PIV 在公共 PIV 数据库上实现了最先进的准确性，并且优于现有的基于监督和无监督学习的方法。迭代流更新使后续的流细化成为可能，这可能是 RAFT-PIV 最突出的方面。

使用深度学习方法进行 PIV 分析，为研究应用物理学和工程中广泛设置中遇到的较小流场波动的新方法打开了大门。

内容中包含的图片若涉及版权问题，请及时与我们联系删除