CS-SHRED: Enhancing SHRED for Robust Recovery of Spatiotemporal Dynamics

📄 arXiv: 2507.22303v2 📥 PDF

作者: Romulo B. da Silva, Diego Passos, Cássio M. Oishi, J. Nathan Kutz

分类: cs.LG

发布日期: 2025-07-30 (更新: 2025-07-31)

备注: 30 pages, 7 figures, 13 tables. Code: https://github.com/romulobrito/cs-shred

💡 一句话要点

提出CS-SHRED以解决稀疏数据下时空动态重建问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱六：视频提取与匹配 (Video Extraction) 支柱八：物理动画 (Physics-based Animation)

关键词: 时空动态重建 压缩感知 深度学习 信号恢复 环境数据分析 噪声鲁棒性 流体动力学 机器学习

📋 核心要点

  1. 现有的SHRED方法在处理稀疏传感器数据和噪声干扰时，重建效果不佳，难以保持时空动态的细节。
  2. CS-SHRED通过将压缩感知技术与SHRED架构结合，采用自适应损失函数来提高信号恢复的鲁棒性和精度。
  3. 实验结果表明，CS-SHRED在SSIM、PSNR和LPIPS等指标上显著优于传统SHRED，能够更好地保留小尺度结构。

📝 摘要（中文）

我们提出了CS-SHRED，这是一种新颖的深度学习架构，将压缩感知（CS）技术集成到浅层递归解码器（SHRED）中，以从不完整、压缩或损坏的数据中重建时空动态。该方法的两个关键创新在于：首先，通过将CS技术融入SHRED架构，我们的方法利用基于批处理的前向框架和$ ext{l}_1$正则化，在传感器稀疏、测量噪声和传感器获取不完整的情况下，稳健地恢复信号。其次，自适应损失函数动态结合均方误差（MSE）和平均绝对误差（MAE）项，并采用分段信噪比（SNR）正则化，在低SNR区域抑制噪声和异常值，同时在高SNR区域保留细微特征。我们在粘弹性流体流动、最大特定湿度场、海表温度分布和旋转湍流等挑战性问题上验证了CS-SHRED。与传统SHRED方法相比，CS-SHRED显著提高了重建保真度，提供了更好的小尺度结构保留和对噪声及异常值的鲁棒性。

🔬 方法详解

问题定义：本论文旨在解决从不完整、压缩或损坏的数据中恢复时空动态的问题。现有的SHRED方法在面对稀疏传感器和噪声时，重建效果不理想，难以有效捕捉细节。

核心思路：CS-SHRED的核心思路是将压缩感知技术融入SHRED架构，通过自适应损失函数动态调整损失计算，以增强信号恢复的鲁棒性和准确性。

技术框架：CS-SHRED的整体架构包括一个长短期记忆（LSTM）序列模型，用于表征时间演变，以及一个浅层解码网络（SDN），用于建模高维状态空间。

关键创新：CS-SHRED的主要创新在于结合了压缩感知与SHRED的设计，采用了基于批处理的前向框架和$ ext{l}_1$正则化，显著提升了在稀疏和噪声环境下的信号恢复能力。

关键设计：该方法使用自适应损失函数，结合均方误差（MSE）和平均绝对误差（MAE），并在低SNR区域引入分段信噪比正则化，以抑制噪声和异常值，同时在高SNR区域保留细节特征。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，CS-SHRED在重建保真度上显著优于传统SHRED，具体表现为SSIM和PSNR值的提升，归一化误差降低，以及LPIPS分数的增强。这表明CS-SHRED在小尺度结构的保留和对噪声的鲁棒性方面具有明显优势。

🎯 应用场景

CS-SHRED在环境、气候和科学数据分析等领域具有广泛的应用潜力。其强大的时空动态恢复能力使其能够处理复杂的流体流动、气候变化等问题，为相关研究提供更为精确的数据支持，推动科学研究的深入发展。

📄 摘要（原文）

We present CS-SHRED, a novel deep learning architecture that integrates Compressed Sensing (CS) into a Shallow Recurrent Decoder (SHRED) to reconstruct spatiotemporal dynamics from incomplete, compressed, or corrupted data. Our approach introduces two key innovations. First, by incorporating CS techniques into the SHRED architecture, our method leverages a batch-based forward framework with $\ell_1$ regularization to robustly recover signals even in scenarios with sparse sensor placements, noisy measurements, and incomplete sensor acquisitions. Second, an adaptive loss function dynamically combines Mean Squared Error (MSE) and Mean Absolute Error (MAE) terms with a piecewise Signal-to-Noise Ratio (SNR) regularization, which suppresses noise and outliers in low-SNR regions while preserving fine-scale features in high-SNR regions. We validate CS-SHRED on challenging problems including viscoelastic fluid flows, maximum specific humidity fields, sea surface temperature distributions, and rotating turbulent flows. Compared to the traditional SHRED approach, CS-SHRED achieves significantly higher reconstruction fidelity -- as demonstrated by improved SSIM and PSNR values, lower normalized errors, and enhanced LPIPS scores-thereby providing superior preservation of small-scale structures and increased robustness against noise and outliers. Our results underscore the advantages of the jointly trained CS and SHRED design architecture which includes an LSTM sequence model for characterizing the temporal evolution with a shallow decoder network (SDN) for modeling the high-dimensional state space. The SNR-guided adaptive loss function for the spatiotemporal data recovery establishes CS-SHRED as a promising tool for a wide range of applications in environmental, climatic, and scientific data analyses.