美国杜兰大学研究者在2026年10月15日发布论文《Topology-Inspired Fine-Tuning for Wind-Field Super-Resolution》，探讨如何让风场超分辨率模型不仅追求像素误差更低，也尽量保留极值、连通区域和多尺度结构。论文目前属于预印本，作者说明相关工作曾被TopoInVis Connect 2026海报环节接收，结论仍应视为研究阶段结果。论文原文
研究团队比较了预训练卷积神经网络和生成对抗网络在风场重建中的表现，发现不同评价指标可能给出不同结论：卷积网络在PSNR等点对点指标上更有优势，而生成对抗网络在部分频率和分布特征上更具竞争力。即使都使用持久图，瓶颈距离与不同形式的Wasserstein距离也可能偏好不同模型，说明单一指标难以代表科学数据重建质量。
在固定的168个风场测试样本上，团队对卷积网络进行了16种微调配置实验，引入梯度幅值、高速区域、局部极值以及固定持久性配对等辅助监督。最终组合目标相较预训练模型，使瓶颈距离、两种Wasserstein距离的平均值分别下降31%、25%和27%；三项持久图指标在168个样本中的150个上同时改善。模型PSNR提高1.30 dB，但约只有标准微调收益的一半，显示结构保真与像素精度之间仍存在取舍。
值得注意的是，合并树距离的改善并未与持久图指标完全同步：在持久图三项指标均改善的150个样本中，合并树只在91个样本上变好。这意味着持久图能够反映特征持续时间等信息，但不能替代对连通关系和层级结构的评估。该研究的价值主要在于提出一种可控的拓扑辅助训练思路，而不是证明它已经适用于所有气象数据或实际风能预测场景。论文使用的测试规模、风场类型和评价流程也限制了结论的外推范围。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
