BLISSNet: Deep Operator Learning for Fast and Accurate Flow Reconstruction from Sparse Sensor Measurements

📄 arXiv: 2602.24228v1 📥 PDF

作者: Maksym Veremchuk, K. Andrea Scott, Zhao Pan

分类: physics.flu-dyn, cs.LG

发布日期: 2026-02-27

💡 一句话要点

提出BLISSNet，用于从稀疏传感器数据中快速准确地重建流场。

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 流场重建 深度算子学习 DeepONet 稀疏传感器数据 数据同化

📋 核心要点

  1. 现有流场重建方法在高精度和计算效率之间存在权衡，高精度模型计算成本高，快速方法精度不足。
  2. BLISSNet采用类似DeepONet的架构，实现零样本推理，并通过预计算降低后续推理成本，提升计算效率。
  3. 实验表明，BLISSNet在保证高精度的前提下，推理速度优于传统插值方法，适用于大规模实时流场重建。

📝 摘要（中文）

从稀疏传感器测量中重建流场是科学和工程领域的一项基本挑战。测量点之间距离大以及复杂的多尺度动力学使得精确恢复精细结构变得困难。此外，现有方法面临着一个持续的权衡：高精度模型通常计算成本高昂，而更快的方案通常会牺牲保真度。本文介绍了一种名为BLISSNet的模型，该模型在流场重建和基于Nudging的数据同化中，在重建精度和计算效率之间取得了很好的平衡。该模型采用类似DeepONet的架构，可以在任意大小的域上进行零样本推理。在给定域上进行第一次模型调用后，可以预先计算某些网络组件，从而降低后续在大域上评估的推理成本。因此，该模型可以实现比径向基函数或双三次插值等经典插值方法更快的推理。高精度、低成本和零样本泛化的结合使BLISSNet非常适合大规模实时流场重建和数据同化任务。

🔬 方法详解

问题定义：论文旨在解决从稀疏传感器测量数据中快速且准确地重建流场的问题。现有方法，如传统插值方法（径向基函数、双三次插值），在精度和计算效率上存在trade-off。高精度模型计算量大，难以满足实时性需求；而快速方法则牺牲了重建精度，无法捕捉流场的精细结构。

核心思路：论文的核心思路是利用深度算子学习（Deep Operator Learning）的思想，构建一个能够学习流场演化算子的神经网络模型BLISSNet。通过学习算子，模型可以直接从稀疏的输入数据映射到高分辨率的流场，避免了传统方法中需要进行大量数值计算的步骤。同时，借鉴DeepONet的架构，实现零样本泛化能力，即在训练域之外的任意大小的域上进行推理。

技术框架：BLISSNet的整体架构类似于DeepONet，包含两个主要分支：branch net和trunk net。Branch net接收稀疏传感器测量数据作为输入，trunk net接收空间坐标作为输入。两个分支分别提取输入数据的特征，然后将提取的特征进行融合，最终输出重建的流场。在推理阶段，对于给定的域，trunk net的计算可以预先进行，从而大大降低了后续推理的计算成本。

关键创新：BLISSNet的关键创新在于将DeepONet架构应用于流场重建问题，并针对流场重建的特点进行了优化。通过学习流场演化算子，模型能够直接从稀疏数据重建高分辨率流场，避免了传统方法的数值计算过程。此外，模型支持零样本泛化，可以在训练域之外的任意大小的域上进行推理，具有很强的适应性。

关键设计：BLISSNet的网络结构细节包括：branch net和trunk net的具体层数、每层的神经元数量、激活函数类型等。损失函数的设计可能包括均方误差（MSE）等，用于衡量重建流场与真实流场之间的差异。此外，论文可能还涉及一些训练技巧，例如学习率调整、正则化方法等，以提高模型的训练效果和泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文实验结果表明，BLISSNet在流场重建任务中取得了显著的性能提升。相较于传统的插值方法（如径向基函数和双三次插值），BLISSNet在保证重建精度的前提下，推理速度更快。具体而言，在某些测试场景下，BLISSNet的推理速度可以达到传统方法的数倍甚至数十倍。此外，BLISSNet还展现出了良好的零样本泛化能力，可以在训练域之外的任意大小的域上进行推理。

🎯 应用场景

BLISSNet在多个领域具有广泛的应用前景，例如：实时天气预报、环境监测、航空航天工程、水利工程等。通过快速准确地重建流场，可以为这些领域的决策提供重要依据，例如优化飞行器设计、预测污染物扩散、控制水流等。该研究的实际价值在于提高了流场重建的效率和精度，为大规模实时流场分析和数据同化任务提供了新的解决方案。

📄 摘要（原文）

Reconstructing fluid flows from sparse sensor measurements is a fundamental challenge in science and engineering. Widely separated measurements and complex, multiscale dynamics make accurate recovery of fine-scale structures difficult. In addition, existing methods face a persistent tradeoff: high-accuracy models are often computationally expensive, whereas faster approaches typically compromise fidelity. In this work, we introduce BLISSNet, a model that strikes a strong balance between reconstruction accuracy and computational efficiency for both flow reconstruction and nudging-based data assimilation. The model follows a DeepONet-like architecture, enabling zero-shot inference on domains of arbitrary size. After the first model call on a given domain, certain network components can be precomputed, leading to low inference cost for subsequent evaluations on large domains. Consequently, the model can achieve faster inference than classical interpolation methods such as radial basis function or bicubic interpolation. This combination of high accuracy, low cost, and zero-shot generalization makes BLISSNet well-suited for large-scale real-time flow reconstruction and data assimilation tasks.