基于物理一致性的高效流场超分辨率重建
- 提出将残差扩散模型用于流体超分任务,解决伪影与物理约束缺失问题。
- 搭建基于 PyTorch 的统一训练与评估框架,实现日志记录、断点续训、推理与多 GPU 并行训练。
- 整理 NS2D、ERA5 等数据集,完成消融实验、能量谱误差图与帕累托成本曲线分析。
- 复现多组 baseline,并在 NS2D 4 倍超分任务中将 RMSE 从 0.0700 降至 0.0484,达到 SOTA 水平。
你好,我是 董盛伟,华南农业大学人工智能专业本科在读,预计 2027 年毕业。目前重点关注 深度学习训练框架、RAG 系统、Linux 部署实战,正在寻找 深圳方向的 AI 算法工程师实习。
2023.9 - 2027.9|华南农业大学(双一流)|人工智能|本科
主修课程:人工智能导论、模式识别与机器学习、数据库系统概论、计算智能、程序设计基础
GitHub
github.com/Pixel-114514
最后更新:2026 年 4 月