工业空气动力学中粒子图像测速去噪的少样本学习框架

《Engineering Applications of Artificial Intelligence》：Few-shot learning framework for Particle Image Velocimetry Denoising in industrial aerodynamics

　　

# 摘要

精确的粒子图像测速（PIV）测量对于工业空气动力学研究至关重要，然而实验PIV图像常因光照不均、背景反射等非平稳噪声而严重退化，且在实际场景中缺乏成对的干净-噪声训练数据。为解决这一问题，本文提出了一种面向PIV去噪的少样本学习框架，融合了人工智能驱动的时间特征校准和噪声分布感知。该框架由三个核心模块组成：时间自适应特征对齐器（TAFA），用于强制PIV图像对之间的帧间一致性；噪声感知残差特征调制器（NRFM），用于在有限样本下显式建模噪声；共享特征精化重建器（SFRR），用于高保真图像重建。采用两阶段训练策略，框架首先在合成干净数据集上预训练通用粒子特征表示，然后仅使用少量成对样本适应目标噪声环境。在合成和真实PIV数据集上的实验结果表明，该方法在峰值信噪比（PSNR）和结构相似性指数（SSIM）方面优于传统预处理和现有深度学习方法。去噪后的图像对在使用窗口变形迭代多网格（WIM）方法和Horn-Schunck光流方法进行下游速度估计时也表现出一致的提升，均方根误差（RMSE）分别降低了最高65.4%和40.2%。该框架充分利用了数据高效学习的优势，有效提升了风敏感结构及其他工业空气动力学应用的PIV测量精度，具有较强的工程实用性和泛化能力。

# 引言

风敏感结构和复杂流动构型的精确流场测量是揭示气动力机制、分析流动诱振和尾流不稳定性，以及支持工业气动结构设计与安全优化的核心工程需求（Bearman, 1997; Chen et al., 2021; Forouzi Feshalami et al., 2022; Gao et al., 2019; Zhang et al., 2025）。粒子图像测速（PIV）因其非侵入性和高空间分辨率而成为此类研究的关键诊断工具（Raffel et al., 2018）。然而，在风洞实验中，图像质量常因光照不均、结构表面反射、示踪不均匀性和光学畸变而退化（Lu and Sick, 2013; Sciacchitano et al., 2013）。这些退化降低了信噪比，严重损害了速度和涡量的重建精度（Scharnowski and K?hler, 2020）。因此，可靠的图像预处理对于噪声抑制、粒子可见性增强和高保真流场测量至关重要。

为解决这一问题，各种粒子图像去噪和增强方法已被提出。早期方法依赖于经典信号处理技术，包括基于小波的去噪（Weng et al., 2001）、时间高通滤波器（HPF）（Sciacchitano and Scarano, 2014）和恰当正交分解（POD）（Mendez et al., 2017）。这些方法利用了粒子信号与噪声之间的统计或时间差异，在特定假设下证明了其有效性。然而，它们对参数选择敏感，难以处理真实PIV实验中的空间变化非平稳或类粒子噪声，且过度滤波往往会抑制对精确位移估计至关重要的小尺度粒子特征。

近年来，深度学习已成为PIV图像处理的重要方向，特别是在数据驱动的速度场估计方面。Yu等人（2023a）的综合综述总结了基于深度学习的流体速度估计的快速发展，并强调了基于学习的模型从粒子图像恢复复杂流场结构的能力不断增强。代表性研究通过先进的网络架构进一步提高了估计精度、鲁棒性和计算效率。例如，Han和Wang（2023）将注意力机制融入循环光流框架以实现复杂PIV速度估计，而Yu等人（2023b）引入了基于注意力转换器的流体运动估计器以提高在恶劣流场条件下的鲁棒性。LightPIVNet（C. Yu et al., 2021）减少了模型冗余和计算成本，而近期的基于光流的高效方法进一步推进了二维PIV估计（Tang et al., 2025）。此外，变光照条件下的深度PIV估计也得到了研究，以提高对图像质量退化的鲁棒性（C.-D. Yu et al., 2021）。PIV-LightSKFlow（Lin et al., 2025a）在保持轻量级架构的同时，进一步提高了恶劣区域的预测性能。这些研究主要集中在改进速度估计网络，而输入粒子图像的质量仍是其性能的关键前提。

随着深度学习的快速发展，数据驱动的方法已成为图像去噪和增强的强有力替代方案。最初为自然图像恢复任务开发的卷积神经网络，如DnCNN（Zhang et al., 2017），在建模复杂噪声分布的同时保持图像结构方面展现了强大能力。然而，粒子图像在稀疏性、运动敏感性和任务驱动的结构需求方面与自然图像有根本差异。与基于学习的速度估计器的发展并行，深度学习也被引入PIV图像预处理，以在速度计算前提高粒子可见性并抑制图像退化。Fan等人（2023）提出了Bilateral-CNN，一种专门为粒子图像对预处理设计的深度网络。通过引入残差学习和批归一化，并显式建模两个连续帧之间的特征相关性，Bilateral-CNN有效去除了高斯噪声、可变光照和复杂背景伪影，从而提高了速度估计。Cao等人（2025）引入了时空特征交互网络（SFINet），处理多帧粒子序列。SFINet将空间增强模块与3D卷积层集成，以捕捉帧间运动和强度一致性，从而利用更丰富的时间上下文，在动态背景和非均匀噪声等恶劣条件下实现更鲁棒的去噪和增强。这些方法通常将去噪表述为使用成对噪声-干净训练数据的监督图像到图像回归问题。

由于真正的无噪声实验粒子图像极少可用，大多数基于学习的PIV去噪方法依赖于合成或半合成数据集，即在干净或数值生成的粒子图像上添加人工噪声来构建成对训练样本。该策略已成为PIV领域的标准做法，为在受控条件下实现监督学习提供了实用手段。然而，现有监督方法通常需要大规模成对数据集才能实现良好泛化，当噪声特性在不同实验装置间变化时，计算成本高昂且缺乏灵活性。为降低对大型训练数据集的依赖，无监督和自我监督去噪策略已在自然图像去噪领域进行了探索。Zou等人（2023）提出了深度循环去噪网络（DCD-Net），通过交替优化图像去噪器和噪声估计器，从噪声观测中构建自我监督训练信号，无需干净目标。最近，Ma等人（2025）提出了Pixel2Pixel，一种零样本逐像素去噪方法，可直接从单张噪声图像中学习。这些方法试图在没有明确干净目标的情况下学习噪声抑制，通常利用噪声统计或时间冗余。尽管原则上具有吸引力，但当应用于PIV图像时，这些方法可能鲁棒性有限，因为PIV图像中的噪声通常与粒子图案和光照伪影相关，且保留微妙的粒子结构对精确速度估计至关重要。

与此同时，少样本学习最近作为图像去噪的数据高效范式引起了越来越多的关注。代表性工作，如图像去噪的少样本学习（FSLID）（Jiang et al., 2023），表明去噪模型仅使用少量干净-噪声图像对即可快速适应未见的噪声分布。这些方法通常在单图像去噪设置下构建，每张噪声输入图像独立映射到其对应的干净输出。虽然对自然图像恢复任务有效，但此类构建方式未显式考虑PIV测量的成对特性，其中速度估计从根本上依赖于两个连续采集的粒子图像之间的一致性。对于PIV应用，独立去噪两张图像可能导致粒子强度、形状或相对位移的不一致性，即使每张图像单独得到了良好恢复。这种不一致性会给互相关或基于光流的速度估计引入偏差，最终降低测量流场的物理可靠性。此外，现有少样本去噪方法通常缺乏显式机制来联合建模帧间关系或根据实验中常见的噪声特征调整去噪行为。据作者所知，这种面向PIV的成对少样本去噪构建尚未被系统研究。

基于工业空气动力学中PIV流场测量的工程需求和现有去噪方法的技术局限性，我们提出了一种面向成对PIV粒子图像去噪的两阶段少样本学习框架。与处理单张图像的现有少样本去噪方法不同，所提出的方法专门设计用于统一处理成对粒子图像，实现跨图像对的一致特征表示和噪声抑制。在第一阶段，网络在合成生成的粒子图像数据集上训练，以学习通用粒子表示和在多样流动模式、粒子密度、粒子大小和强度分布下的鲁棒特征抽象。在第二阶段，模型仅使用少量成对干净-噪声粒子图像高效适应目标实验环境，这些图像可通过轻量灵活的噪声合成策略构建。通过在适应过程中联合建模帧间关系和噪声感知特征调制，所提出的两阶段框架有效弥合了通用少样本图像去噪与桥梁工程及相关工业空气动力学研究中PIV测量特定任务需求之间的差距。它保留了监督成对训练的优势，同时显著降低了适应新的、此前未见的噪声环境所需的数据量。本文的主要贡献总结如下：

（1）提出了一种用于成对粒子图像去噪的两阶段少样本学习框架，其中显式考虑了精确速度估计所需的帧间一致性。

（2）在适应阶段仅需少量合成生成的成对样本即可实现粒子图像对的一致去噪，即使在噪声条件变化时亦然。

（3）所提出的成对去噪策略同时提高了PIV图像质量和速度场测量精度，在有限数据的工程场景中优于现有去噪方法，为风工程和工业空气动力学应用提供高保真流场测量数据。

本文结构如下：第2节详述网络架构和数据集。第3节呈现实验结果。第4节讨论所提方法的现有局限性，第5节总结主要结论和未来工作展望。

# 2 方法

本节提出面向粒子图像测速去噪、融合时间特征校准和噪声分布感知的少样本学习框架（FS-TFN），如图1所示。所提网络的架构细节包括：2.1节的时间自适应特征对齐器（TAFA）、2.2节的噪声感知残差特征调制器（NRFM）和2.3节的共享特征精化重建器（SFRR）。学习方案细节如下。

## 实验设置与评价指标

所提出的模型FS-TFN使用开源PyTorch框架（Paszke et al., 2017）实现，并在NVIDIA RTX 5090D GPU上训练。对于自监督预训练阶段（第1阶段），训练过程持续400个epoch，批次大小设为2。采用Adam优化器（β? = 0.9, β? = 0.999）优化模型参数，初始学习率为1 × 10??，并使用余弦退火学习率调度策略自适应调整。

## 讨论与局限性

尽管实验结果证明了FS-TFN在不同噪声条件和真实PIV场景中的有效性，但应承认存在若干局限性。首先，在严重粒子重叠的情况下，单个粒子结构可能在局部变得无法区分。由于FS-TFN设计用于抑制图像退化并保留可观测的粒子信息，而非重建物理上不可分辨的结构，因此无法可靠恢复单个粒子。

# 3 结论

本文提出了一种两阶段少样本学习框架，称为FS-TFN（融合时间特征校准和噪声分布感知的粒子图像测速去噪少样本学习），专门设计用于PIV应用中的成对粒子图像去噪。与独立处理单张图像的传统去噪方法不同，所提出的框架显式考虑了PIV测量中固有的帧间相关性以及关键需求……

## CRediT作者贡献声明

林帅航：撰写——初稿，可视化，验证，软件，方法，调查，形式化分析，数据管理。

金晓伟：撰写——审阅与编辑，监督，资源，项目管理，资金获取，数据管理。

高东来：监督，资源，项目管理，数据管理。

陈文理：指导，资源，项目管理，经费获取，构思。
数据可用性。支持本研究结果的数据可向通讯作者合理请求获取。
利益冲突声明。作者声明不存在已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文所报告的工作。
致谢。我们感谢中国国家自然科学基金（项目编号：52427812, W2511050 和 52441802）的资金支持。
林帅航|金晓伟|高德来|陈文理 工业和信息化部土木工程灾害智能防治重点实验室，哈尔滨工业大学，哈尔滨，150090，中国