技术摘要：用于多尺度场重构的级联感知（Cas-Sensing）

1. 问题表述

本文旨在解决从极度稀疏且含噪的测量数据中重构多尺度物理场的挑战。在科学传感领域（例如流体力学、地球物理学、海洋学），密集部署传感器往往因成本过高而不可行，使得重构成为一个严重欠定的逆问题。

核心难点在于后验分布 $p(u|y)$ 的性质，其中 $u$ 为完整场，$y$ 为稀疏观测向量。在极端稀疏条件下：

• 病态性：后验分布受到严重约束不足且本质上具有多模态性；同一组稀疏观测可能对应多个物理上合理的完整场解。
• 现有方法的不稳定性：
  • 确定性映射（如压缩感知、标准深度学习）会坍缩不确定性，无法捕捉解空间，且常对特定传感器布局产生过拟合。
  • 硬条件生成模型难以泛化，因为稀疏观测模式的变异性过大，训练数据无法覆盖。
  • 软条件（似然引导）方法（如带有后验采样的扩散模型）受困于不稳定的模态选择。微弱的观测约束与先验相互作用，导致采样器在竞争解之间波动或偏离数据流形，尤其在存在噪声时更为显著。

作者认为，核心挑战不仅在于表示不确定性，更在于结构化地组织不确定性以稳定推断过程。

2. 方法论：级联感知（Cas-Sensing）

提出的解决方案 Cas-Sensing 将后验推断重构为分层、两阶段的级联过程。该框架不直接建模完整场后验 $p(u|y)$，而是利用中间粗尺度变量 $m$ 将问题分解：
$$p(u|y) \approx p(u | \hat{m}(y), y)$$
其中 $\hat{m}(y)$ 是粗尺度结构的确定性估计。

第一阶段：确定性粗结构估计

• 模型：基于神经算子的函数自编码器（FAE）。
• 功能：将任意稀疏观测 $y$ 映射为粗尺度结构场 $\hat{m}(y)$。
• 机制：
  • 编码器利用核积分算子处理非结构化、稀疏的输入。
  • 掩码训练：FAE 采用“补集掩码”策略进行训练（编码器观察随机子集点，解码器重构补集部分），以学习鲁棒的稀疏到结构映射。
  • 作用：充当全局配置的最大后验（MAP）估计器。它固定了主导自由度，有效充当“结构锚点”，解决全局模糊性。

第二阶段：随机残差细化

• 模型：条件扩散模型（CDM）。
• 功能：基于粗结构 $\hat{m}(y)$ 生成细化尺度的细节 $d = u - \hat{m}(y)$。
• 训练策略：掩码级联训练（MCT）
  • 为防止扩散模型对特定稀疏模式过拟合，MCT 在训练期间引入变异性。
  • 对于真实场，应用随机稀疏掩码以生成多样化的观测 $y$。将这些观测通过冻结的 FAE 传递，以产生多样化的粗条件 $\hat{m}(y)$。
  • CDM 被训练用于建模该多样化粗条件集合上的残差分布 $p(d|\hat{m}(y))$，而非学习从原始稀疏 $y$ 直接映射。
• 推断策略：流形约束梯度（MCG）
  • 在采样过程中，CDM 生成残差 $d$。
  • MCG 被用作软引导机制，以强制与真实稀疏测量 $y$ 保持一致。
  • 关键在于，由于全局结构已由 FAE 固定，MCG 充当局部细化机制而非全局模态选择器，防止采样器漂移到错误的解盆地。

3. 主要贡献

1. 不确定性的分层分解：本文提出了一个原则性框架，将全局结构模糊性的推断（确定性处理）与局部残差不确定性（随机处理）分离。这将一个病态的完整场问题转化为条件更好的子问题。
2. 掩码级联训练（MCT）：一种新颖的训练策略，使条件扩散模型暴露于由不同稀疏观测模式引起的条件变异性中，而无需显式建模所有观测条件映射。
3. 对稀疏和噪声的鲁棒性：通过确定性粗估计锚定生成过程，该方法稳定了针对噪声和变化传感器配置的后验推断，而纯软条件方法在此类情况下会失效。
4. 对未见几何形状的泛化能力：该框架展示了能够重构具有内部几何边界（例如圆柱绕流）的场，适用于训练期间未见过的配置，这得益于 FAE 学习可迁移的几何感知结构条件的能力。

4. 实验结果

作者在四个不同的数据集上验证了 Cas-Sensing：

• 海面波高（真实立体数据）：

  • 与带有 MCG 的无条件扩散模型（Uncond+MCG）进行了比较。
  • 结果：Cas-Sensing 实现了显著更低的均方根误差（RMSE）和更集中的后验分布。Uncond+MCG 表现出多个不同的模态（错误的大尺度结构），与稀疏数据一致，而 Cas-Sensing 保持了主导的准确模态。
  • 噪声鲁棒性：在 20% 噪声下，Cas-Sensing 保持了稳定的性能，而 Uncond+MCG 则坍缩为高误差模态。

• 纳维 - 斯托克斯涡度（模拟）：

  • 在多尺度湍流上进行了测试。
  • 结果：即使在 0.1% 的观测密度下，FAE 也成功捕捉到了主导的低波数能量谱。Cas-Sensing 防止了扩散模型收敛到满足稀疏数据但违反物理一致性的替代性、结构错误的低频解。

• 圆柱绕流（未见几何形状）：

  • 在具有未见中心位置和半径的圆柱绕流上进行了测试。
  • 结果：FAE 泛化到了未见边界配置，提供了有效的结构锚点。完整场重构准确恢复了尾流结构和流动分离点，证明了对未见几何边界的可迁移性。

• 全球海表温度（再分析数据）：

  • 在具有复杂陆海边界的大尺度地球物理场（1440x640 分辨率）上进行了测试。
  • 结果：单个共享的 FAE 和 CDM 成功从 0.1% 的观测中重构了全球海温模式，保留了连贯的区域温度模式和精细的局部结构。

5. 意义与主张

本文主张 Cas-Sensing 确立了极端数据稀疏下科学传感的新范式。其主要意义在于不确定性的结构化组织：

• 它超越了确定性插值与非结构化概率生成之间的二元选择。
• 它证明了确定性结构推断对于稳定病态逆问题中的后验是必要的，而随机细化对于捕捉多尺度细节和不确定性是必需的。
• 该框架被提出作为针对具有不同传感器布局、噪声水平和几何边界的物理系统的通用解决方案，为传统方法失效时的鲁棒、物理一致重构提供了一条路径。

作者谦逊地指出了局限性，包括目前专注于二维空间场（排除时间动态）以及扩散采样的计算成本，并建议未来的工作方向为时空建模和加速采样器。