RecFno

输入：

路线	数据集类	模型类	圆柱训练脚本
MLP 嵌入	CylinderDataset	FNORecon	cylinder2D_fno.py
Mask 嵌入	CylinderObserveDataset	VoronoiFNO2d，输入3通道	cylinder2D_maskfno.py
Voronoi 嵌入	CylinderInterpolDataset	VoronoiFNO2d，输入4通道	cylinder2D_voronoifno.py

Mask：

(3, H, W) CylinderObserveDataset

通道0：观测数值图，未观测处为0

通道1：X坐标图

通道2：Y坐标图

(1, H, W)

Voronoi：

输入：(4, H, W) CylinderInterpolDataset

通道0：最近邻填充后的数值图

通道1：传感器位置标记图

通道2：X坐标图

通道3：Y坐标图

输出：(1, H, W)

MLP:

sensor_num = 4
fc_size = (7, 12)
out_size = (112, 192)
width = 32

4个观测读数

↓ MLP

84个数

↓ reshape

一张7×12的小特征图

↓ 增加特征通道、放大并处理

32层112×192的特征图

↓ FNO

一张112×192的完整预测图
(B, 4)

↓

(B, 84)

↓

(B, 1, 7, 12)

↓

(B, 32, 112, 192)

↓

(B, 1, 112, 192)
一个训练好的稀疏恢复网络理解成：熟悉某类系统的重建工具，利用少量测量，推断这个系统可能处于什么完整状态。 评价它时，最关键的是明确"准备让它处理哪些变化"，再用没有参与训练的数据验证这些变化。

数据集	返回第1项：准备给模型的输入	返回第2项	返回第3项
CylinderDataset	4个实际观测读数 组成的向量；(4,)	完整真实图 ；(1,H,W)	无
CylinderObserveDataset，Mask路线	零填充观测图＋X坐标图＋Y坐标图 ；(3,H,W)	完整真实图 ；(1,H,W)	无
CylinderInterpolDataset，Voronoi路线	最近邻插值图＋0/1观测位置标记图＋X坐标图＋Y坐标图 ；(4,H,W)	完整真实图 ；(1,H,W)	无
CylinderInterpolGappyDataset	与上面相同的四通道输入 ；(4,H,W)	完整真实图 ；(1,H,W)	额外保留的64个实际观测读数 ；(64,)
CylinderPodDataset	2个实际观测读数 组成的向量；(2,)	完整图经PCA压缩、再归一化得到的20个系数 ；(20,)	完整真实图 ；(1,H,W)

模型路线	模型接收什么	模型直接输出什么	怎样得到完整恢复图
MLP嵌入＋FNO	观测读数向量	完整预测图	已经是完整图
Mask＋FNO	三通道网格输入	完整预测图	已经是完整图
Voronoi＋FNO	四通道网格输入	完整预测图	已经是完整图
MLP-POD	观测读数向量	预测的PCA系数	撤销系数归一化，再做PCA逆变换