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:
python
sensor_num = 4
fc_size = (7, 12)
out_size = (112, 192)
width = 324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 |