TRACE框架让稀疏传感下的物理场重建提速，流式生成+回顾式平滑，质量不输离线方法！
TRACE: Retrospective Streaming Generation of Physical Fields under Sparse Structured Sensing
📖 AI 总结
该论文提出了一种名为TRACE的回顾式流式生成框架，用于在稀疏结构化传感条件下重建连续物理场。现有生成式重建方法大多假设固定批处理条件，而实际传感系统常产生结构化数据流，如探针局部扫描、移动视场观测及通信限制导致的整帧缺失。TRACE在学习的连续坐标潜空间中执行近似贝叶斯推理，将稀疏离网测量转化为生成式潜证据，通过卡尔曼滤波与状态空间时间先验融合，并利用回顾式平滑优化欠观测的历史帧。在活性物质、海洋声速场和超新星模拟等实验上，TRACE在时间稀疏和空间局部化传感协议下的重建质量匹配或超越了逐帧生成重建器、离线时空方法和流式数据同化基线。该工作为动态物理场的实时监测与数字孪生构建提供了新的技术路径。
🔑 关键词速览
| TRACE | 一种回顾式流式生成重建框架，用于结构化传感下的物理场重建。 |
| generative reconstruction | 利用生成模型学习数据先验，从部分观测中补全完整物理场的方法。 |
| approximate Bayesian inference | 在潜空间中近似计算后验分布，用于融合测量与先验信息。 |
| Kalman-style filtering | 基于卡尔曼滤波的递归状态估计方法，用于融合时间先验与观测证据。 |
| retrospective smoothing | 利用未来观测信息对过去帧进行后验修正，提高重建精度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅