AITOP
论文

P-K-GCN: 物理增强的Koopman图卷积网络用于深度时空超分辨率

P-K-GCN: Physics-augmented Koopman-enhanced Graph Convolutional Network for Deep Spatiotemporal Super-resolution

arXiv cs.LG@ Xizhuo, Zhang, Zekai Wang, Fei Liu, Bing Yao学术论文
阅读原文
精选理由

这篇论文提出P-K-GCN，用图卷积加Koopman算子做时空超分辨率，在3D心脏建模上比现有方法更准，物理约束让结果更可靠。

AI 摘要

本文提出P-K-GCN框架，结合连续样条GCN从粗粒度图提取空间依赖，并引入Koopman算子理论将非线性时间动力学线性化到紧凑潜空间。优化目标加入物理损失，确保重建结果符合物理定律。理论分析证明物理增强和Koopman正则化通过降低Rademacher复杂度收紧泛化界，减小超分辨率误差。在3D心脏几何上从稀疏低分辨率测量重建高分辨率电动力学，P-K-GCN相比基线模型取得更优精度。

AI 翻译 · 中文

本文提出P-K-GCN框架，结合连续样条GCN从粗粒度图提取空间依赖，并引入Koopman算子理论将非线性时间动力学线性化到紧凑潜空间。优化目标加入物理损失，确保重建结果符合物理定律。理论分析证明物理增强和Koopman正则化通过降低Rademacher复杂度收紧泛化界，减小超分辨率误差。在3D心脏几何上从稀疏低分辨率测量重建高分辨率电动力学，P-K-GCN相比基线模型取得更优精度。

arXiv cs.LGHigh-fidelity simulation of spatiotemporal dynamics is computationally prohibitive, necessitating efficient super-resolution techniques to reconstruct high-resolution data from coarse-grained inputs. Traditional data-dri…
#P-K-GCN#Koopman#图卷积网络#时空超分辨率#物理约束
阅读原文
← 返回首页看更多 AI 资讯