WikiEdge:ArXiv速遞/2025-03-23

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影復序列（共2,885,236幅圖像）的大規模數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程的知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則在1.5T 場強下獲取的心臟實時電影、首過心臟灌注、神經及脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本上表現出良好泛化性，分別為實時電影和灌注成像帶來6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀泛化性能。

摘要

原文標題：Approximation Schemes for k-Subset Sum Ratio and Multiway Number Partitioning Ratio
中文標題：k-子集和比率與多路數字劃分比率的近似方案
發布日期：2025-03-23 23:33:28+00:00
作者：Sotiris Kanellopoulos, Giorgos Mitropoulos, Antonis Antonopoulos, Nikos Leonardos, Aris Pagourtzis, Christos Pergaminelis, Stavros Petsalakis, Kanellos Tsitouras
分類：cs.DS, F.2.2
原文鏈接：http://arxiv.org/abs/2503.18241v1

中文摘要：子集和比率問題（SSR）要求在給定多重正整數集$A$的情況下，找到$A$的兩個不相交子集，使其和的最大值與最小值之比最小化。本文研究SSR的$k$維推廣版本——$k$-子集和比率問題（$k$-SSR），該問題旨在最小化$A$的$k$個不相交子集和的最大值與最小值之比。我們提出了一個時間複雜度為$O({n^{2k}}/{\varepsilon^{k-1}})$的近似方案，其中$n=|A|$，$\varepsilon$為誤差參數。據我們所知，這是首個針對固定$k>2$的$k$-SSR問題的完全多項式時間近似方案（FPTAS）。我們還為$k$路數字劃分比率問題（$k$-PART）設計了一個FPTAS，該問題與$k$-SSR的區別在於要求$k$個子集必須構成$A$的一個劃分。我們提出了一個更複雜的FPTAS，同樣達到$O({n^{2k}}/{\varepsilon^{k-1}})$的時間複雜度。值得注意的是，$k$-PART問題等同於具有相同估值函數的最小嫉妒比率問題，該問題在不可分割物品的公平分配領域已有研究。在限定相同估值條件下，我們的FPTAS相較於Nguyen和Rothe提出的針對所有加性估值、時間複雜度為$O(n^{4k^2+1}/\varepsilon^{2k^2})$的最小嫉妒比率FPTAS，實現了顯著改進。最後，我們為$k$-SSR提出了第二個FPTAS，該方案通過精心設計調用第一個FPTAS，將時間複雜度優化至$\widetilde{O}(n/{\varepsilon^{3k-1}})$，從而在$n\gg 1/ \varepsilon$時具有更高的計算效率。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高保真方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。通過在有限計算資源內（少於10個LES樣本）採用自適應填充準則，實現了代理模型的策略性增強。該方法被應用於優化有機朗肯循環（ORC）中超音速渦輪葉柵（工作雷諾數約10^6）。研究表明：雖然在最優區域附近RANS-LES相關性減弱，但MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，有效融合了豐富的低保真數據和稀缺的高保真數據。RANS能準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型則能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對於識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Charge-dependent nucleon-nucleon interaction at N$^3$LO in nuclear lattice effective field theory
中文標題：核格點有效場理論中N$^3$LO階電荷依賴的核子-核子相互作用
發布日期：2025-03-23 10:34:18+00:00
作者：Chengxin Wu, Teng Wang, Bing-Nan Lu, Ning Li
分類：nucl-th, hep-lat, hep-ph, nucl-ex
原文鏈接：http://arxiv.org/abs/2503.18017v1

中文摘要：核格點有效場論（NLEFT）是解決核多體問題的有效工具，該方法以高精度格點手征相互作用為輸入，通過量子蒙特卡洛技術計算核低能可觀測量。本研究首次在格點上構建了完整考慮同位旋破缺效應的次次次領頭階（N³LO）手征力，重點研究電荷無關性破缺（CIB）和電荷對稱性破缺（CSB）效應。具體而言，我們在單π介子交換勢（OPEP）中納入帶電與中性π介子質量差導致的同位旋破缺效應，為pp相互作用引入庫侖力，並新增兩個電荷相關接觸算符的貢獻。同時明確包含了以往NLEFT計算中大多忽略的雙π介子交換勢。通過這些改進，我們精確復現了相對動量p~200 MeV範圍內的np/pp散射相移以及氘核性質。這些電荷相關格點核力的構建，為未來NLEFT框架下的高精度核第一性原理計算奠定了堅實基礎。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程的知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則在1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本上表現出良好泛化性，分別為實時電影成像和灌注成像帶來6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬引導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數條件下，LES的計算成本令人望而卻步，難以直接用於優化設計。為解決此問題，我們採用奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。通過在有限計算資源內（少於10個LES樣本）採用自適應填充準則，實現了代理模型的戰略性優化。該方法應用於有機朗肯循環（ORC）中超音速渦輪葉片的優化設計（雷諾數約10^6量級）。研究發現：雖然在最優區域附近RANS-LES相關性減弱，但MFK模型的表現優於基於相同LES數據的單保真克里金（SFK）模型，有效整合了豐富的低精度數據和稀缺的高精度數據。RANS能準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型則能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Measurement of cosmic muon-induced neutron background with ISMRAN detector in a non-reactor environment
中文標題：非反應堆環境下使用ISMRAN探測器測量宇宙μ子誘發中子本底
發布日期：2025-03-23 18:01:41+00:00
作者：R. Dey, P. K. Netrakanti, D. K. Mishra, S. P. Behera, R. Sehgal, V. Jha, L. M. Pant
分類：physics.ins-det, nucl-ex
原文鏈接：http://arxiv.org/abs/2503.18993v1

中文摘要：印度反應堆反中微子閃爍體矩陣(ISMRAN)是一個位於印度孟買 Dhruva研究堆設施內的地面超短基線反應堆反中微子(${\overline{\ensuremath{\nu}}}_{e}$)實驗裝置。該實驗的主要目標是通過逆β衰變(IBD)過程間接探測反應堆${\overline{\ensuremath{\nu}}}_{e}$，使用由90個光學分段塑料閃爍體探測器組成的集群，總重約1噸。本研究展示了宇宙μ子在ISMRAN幾何結構中產生的中子俘獲信號的時間響應和能量沉積特徵，並將這些實驗結果與基於Geant4的蒙特卡洛(MC)模擬結果進行對比。測得快中子的平均俘獲時間為74.46±5.98微秒，與MC模擬結果相符。在ISMRAN裝置頂部部署10厘米鉛+10厘米硼化聚乙烯被動屏蔽結構(表面積600平方厘米)的情況下，測得幾何結構內μ子誘發中子本底的效率修正率為1334±64(統計誤差)±70(系統誤差)/天，該結果與Geant4 MC模擬的預期本底率高度一致。通過外推法，我們估算出在9000平方厘米表面積實際屏蔽配置下，ISMRAN幾何結構中的μ子誘發快中子率為3335±160(統計誤差)±175(系統誤差)中子/天，其中包含了Geant4 MC模擬中模型相關的接收修正因子。最後基於這些結果，我們計算出ISMRAN幾何結構中複合屏蔽層的中子產額為2.81×10^-5中子/μ子/(克/平方厘米)(海平面高度)。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware 訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI 重建過程的知識提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則在1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影和灌注成像分別實現6.5倍和2.9倍的CNR 提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：面向高雷諾數渦輪流動優化的成本效益多保真度策略：基於大渦模擬的指導
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高保真方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們通過奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)和RANS數據的多保真協同克里金(MFK)代理模型。採用自適應填充準則在有限計算資源內(少於10個LES樣本)實現代理模型的策略性增強。該方法被應用於優化有機朗肯循環(ORC)中超音速渦輪葉片，其工作雷諾數達$\sim 10^6$量級。研究表明：雖然在最優區域附近RANS-LES相關性減弱，但MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，能有效利用豐富的低保真數據和稀缺的高保真數據。RANS能準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：The Mathematics of Questions
中文標題：問題的數學
發布日期：2025-03-23 17:54:21+00:00
作者：R. O'Flanagan
分類：quant-ph, math.PR, math.QA
原文鏈接：http://arxiv.org/abs/2503.18992v1

中文摘要：摘要：我報告了方程$i(A,B)+i(A,\neg B)+i(\neg A,B)+i(\neg A,\neg B)= 0$存在唯一非平凡解的情況，其中$i(A,B)=\log\frac{P(A\text{且}B)}{P(A)P(B)}$，$P(A)$表示命題$A$的概率。該方程規定了兩個邏輯命題間的信息平衡條件，僅被獨立關係和此新解滿足。該解是邏輯命題間的新型基本信息關係，記作$A \sim B$。$\sim$關係無法僅用概率表述，必須藉助複數。但通過將命題表述為問題與答案的組合（例如將"凡人皆有一死"寫作（凡人皆有一死嗎？，是）可大幅簡化。我們將研究問題的數學結構，探究$\sim$關係在代數中的作用。研究發現：與命題類似，問題能作用於概率分布。給定命題$X$會使$P(X)=1$，而提出$X$的問題會使$P(X)=1/2$。給定命題為概率分布添加信息，提出問題則移除信息。在概率論中引入問題可同時表徵信息的增減。我們將從幾何視角考察問題間的關聯。值得注意的是，問題空間的最簡定向結構與最簡單的量子系統——二態系統具有相同結構。研究發現：二態量子系統的核心數學結構（包括非對易性、互補性、波函數坍縮、希爾伯特空間表示、玻恩定則，以及量子糾纏與非定域性）均可從問題的數學中推導得出。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程的知識來提升去噪性能。在分布內測試中，使用3000個保留樣本通過PSNR和SSIM指標進行評估，並與未進行噪聲增強的消融實驗進行對比。分布外測試則針對1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型在成像序列、動態對比度變化、不同解剖結構和場強間的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高保真方法。然而在高雷諾數下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）構建低維設計空間表示，並建立融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源內（少於10個LES樣本）實現代理模型的策略性增強。該方法應用於有機朗肯循環（ORC）中超音速渦輪葉片的優化設計（雷諾數約10^6）。研究表明：雖然在最優區域附近RANS-LES相關性減弱，但MFK模型優於基於相同LES數據的單保真克里金（SFK），有效整合了豐富的低保真數據和稀缺的高保真數據。RANS能準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型通過LES捕捉到精細的幾何趨勢。損失分析表明：LES對於識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware 訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI 重建過程的知識來提升去噪性能。在分布內測試中，使用3000個保留樣本進行驗證，通過PSNR和SSIM 指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型在成像序列、動態對比度變化、不同解剖結構和場強間的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，分別為實時電影成像和灌注成像帶來6.5倍和2.9倍的CNR 提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們通過奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。採用自適應填充準則在有限計算資源內（少於10個LES樣本）策略性地增強代理模型。該方法應用於有機朗肯循環（ORC）中超音速渦輪葉片的優化設計（雷諾數約10^6量級）。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合豐富的低精度數據和稀缺的高精度數據；RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經脊柱MRI展開，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本上表現出良好泛化性，分別為實時電影成像和灌注成像帶來6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE神經3D掃描和T2 TSE 脊柱MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們通過奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。採用自適應填充準則在有限計算資源內（少於10個LES樣本）策略性地增強代理模型。該方法應用於有機朗肯循環（ORC）中超音速渦輪葉片的優化設計（雷諾數約10^6量級）。研究表明：雖然RANS-LES相關性在最優區域附近減弱，但MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合豐富的低精度數據和稀缺的高精度數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則在1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）構建低維設計空間表示，並建立融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源內（少於10個LES樣本）實現代理模型的戰略增強。該方法被應用於優化有機朗肯循環（ORC）中超音速渦輪葉柵（工作雷諾數約10^6）。研究表明：雖然RANS-LES相關性在最優區域附近減弱，但MFK模型優於基於相同LES數據的單保真克里金（SFK），能有效利用豐富的低精度數據和稀缺的高精度數據。RANS能準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程的知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則在1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，分別為實時電影成像和灌注成像帶來6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS數據的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源內（少於10個LES樣本）實現代理模型的戰略增強。該方法應用於有機朗肯循環（ORC）超音速渦輪導葉優化，工作雷諾數達~10^6量級。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合豐富的低精度和稀缺的高精度數據；RANS雖能準確預測全局目標函數趨勢，但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI 重建過程的知識來提升去噪性能。在分布內測試中，使用3000個保留樣本通過PSNR和SSIM 指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型在成像序列、動態對比度變化、不同解剖結構和場強間的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性：實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而高雷諾數下LES計算成本過高，難以直接用於優化設計。為此，我們通過奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS數據的多保真度協同克里金（MFK）代理模型。採用自適應填充準則在有限計算資源內（少於10個LES樣本）實現代理模型的策略性增強。該方法被應用於優化有機朗肯循環（ORC）中超音速渦輪導葉（雷諾數約10^6量級）。研究表明：雖然RANS-LES相關性在最優區域附近減弱，但MFK模型優於基於相同LES數據的單保真度克里金（SFK）模型，能有效利用豐富的低精度數據和稀缺的高精度數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程的知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則針對1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型跨成像序列、動態對比度變化、不同解剖部位及場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）構建低維設計空間表示，並建立融合壁面解析LES（WRLES）與RANS的多保真度協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源（少於10個LES樣本）內實現代理模型的策略性增強。該方法應用於有機朗肯循環（ORC）超音速渦輪導葉優化（雷諾數約10^6量級）。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真度克里金（SFK）模型，能有效整合豐富的低精度數據和稀缺的高精度數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware 訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI 重建過程的知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未進行噪聲增強的消融實驗進行對比。在1.5T 場強獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行了分布外測試，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本上表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，使用100%心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的性價比優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而高雷諾數下LES計算成本過高，難以直接用於優化設計。為此，我們通過奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。採用自適應填充準則在有限計算資源內（少於10個LES樣本）策略性地增強模型精度。該方法應用於有機朗肯循環（ORC）超音速渦輪導葉優化（雷諾數約10^6量級）。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型表現優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合大量低精度和稀缺高精度數據。RANS雖能準確預測全局目標函數趨勢，但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的幾何細節趨勢。損失分析表明：LES對識別性能損害機制至關重要，僅依賴RANS優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下採集的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程的知識提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未進行噪聲增強的消融實驗進行對比。為測試模型在成像序列、動態對比度變化、不同解剖部位及場強間的泛化能力，還在1.5T 場強採集的心臟實時電影成像、首過心臟灌注成像、神經及脊柱 MRI上進行了分布外測試。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性：實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而高雷諾數下LES計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）構建低維設計空間表徵，並建立融合壁面解析LES（WRLES）與RANS數據的多保真協同克里金（MFK）代理模型。通過自適應填充準則在有限計算資源內（少於10個LES樣本）實現代理模型的戰略增強。該方法應用於有機朗肯循環（ORC）超音速渦輪導葉優化（雷諾數約10^6量級）。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型表現優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合豐富的低精度和稀缺的高精度數據；RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下採集的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，以兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則在1.5T 場強採集的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖部位及場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們通過奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。採用自適應填充準則，在有限計算資源（少於10個LES樣本）內實現代理模型的策略性增強。該方法應用於有機朗肯循環（ORC）超音速渦輪導葉優化（雷諾數約10^6量級）。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合豐富的低精度數據和稀缺的高精度數據；RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程的知識提升去噪性能。在分布內測試中，使用3000個保留樣本進行驗證，通過PSNR和SSIM指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則針對1.5T場強獲取的心臟實時電影成像、首過心臟灌注成像以及神經脊柱 MRI展開，以驗證模型在成像序列、動態對比度變化、不同解剖結構和場強間的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性：實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源內（少於10個LES樣本）實現代理模型的策略性增強。該方法應用於有機朗肯循環（ORC）超音速渦輪導葉優化（雷諾數約10^6量級）。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合大量低精度和稀缺高精度數據；RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高保真方法。然而高雷諾數下LES計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源內(少於10個LES樣本)實現代理模型的策略性增強。該方法應用於有機朗肯循環(ORC)超音速渦輪導葉優化(雷諾數約10^6量級)。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，能有效整合豐富的低保真數據和稀缺的高保真數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們通過奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。採用自適應填充準則，在有限計算資源（少於10個LES樣本）內實現代理模型的戰略增強。該方法應用於有機朗肯循環（ORC）超音速渦輪導葉優化，工作雷諾數達~10^6量級。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效利用豐富的低精度數據和稀缺的高精度數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的性價比優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而高雷諾數下LES計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）構建低維設計空間，建立融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型，並應用自適應填充準則在有限計算資源內（少於10個LES樣本）智能增強模型精度。該方法被應用於優化有機朗肯循環（ORC）中超音速渦輪導葉（雷諾數約10^6）。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型表現優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合大量低精度和少量高精度數據；RANS雖能預測目標函數整體趨勢但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的幾何細節趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）構建低維設計空間表示，並建立融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源內（少於10個LES樣本）實現代理模型的戰略增強。該方法應用於有機朗肯循環（ORC）超音速渦輪導葉優化，工作雷諾數達~10^6量級。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合豐富的低精度數據和稀缺的高精度數據；RANS雖能準確預測全局目標函數趨勢，但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高保真方法。然而在高雷諾數下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源內（少於10個LES樣本）實現代理模型的戰略增強。該方法應用於有機朗肯循環（ORC）超音速渦輪導葉優化，工作雷諾數達~10^6量級。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金（SFK），能有效利用豐富的低保真數據和稀缺的高保真數據。RANS雖能準確預測全局目標函數趨勢，但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而高雷諾數下LES計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS數據的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源內(少於10個LES樣本)實現代理模型的戰略增強。該方法應用於雷諾數約10^6的有機朗肯循環(ORC)超音速渦輪導葉優化。研究表明：雖然最優區域附近RANS-LES相關性減弱，但MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，能有效利用豐富的低精度數據和稀缺的高精度數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的幾何細節趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數下，LES的計算成本令人望而卻步，難以直接用於優化設計。為解決此問題，我們採用奇異值分解（SVD）構建低維設計空間表示，並建立融合壁面解析LES（WRLES）和RANS的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源（少於10個LES樣本）內實現代理模型的策略性增強。該方法被應用於優化有機朗肯循環（ORC）中超音速渦輪導葉，其工作雷諾數達~10^6量級。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型表現優於基於相同LES數據的單保真克里金（SFK）模型，能有效利用豐富的低精度數據和稀缺的高精度數據。RANS雖能準確預測全局目標函數趨勢，卻無法解析關鍵流動特徵，而MFK模型通過LES捕捉到了精細的幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數條件下，LES的計算成本令人望而卻步，難以直接用於優化設計。為解決此問題，我們採用奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源（少於10個LES樣本）內實現代理模型的策略性增強。該方法應用於有機朗肯循環（ORC）超音速渦輪葉片的優化設計（雷諾數約10^6量級）。研究發現：RANS-LES相關性在最優區域附近減弱，但MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合豐富的低精度數據和稀缺的高精度數據；RANS可準確預測全局目標函數趨勢卻無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程的知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則在1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高保真方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）構建低維設計空間表示，並建立融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源內（少於10個LES樣本）實現代理模型的戰略增強。該方法應用於有機朗肯循環（ORC）中超音速渦輪葉片的優化設計（雷諾數約10^6）。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合豐富的低保真數據和稀缺的高保真數據；RANS雖能準確預測全局目標函數趨勢，但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程的知識來提升去噪性能。在分布內測試中，使用3000個保留樣本進行驗證，通過PSNR和SSIM指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本上表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高保真方法。然而在高雷諾數下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源(少於10個LES樣本)內實現代理模型的策略性增強。該方法被應用於優化有機朗肯循環(ORC)中超音速渦輪導葉(雷諾數約10^6)。研究表明：雖然在最優區域附近RANS-LES相關性減弱，但MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，能有效利用豐富的低保真數據和稀缺的高保真數據。RANS能準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程知識來提升去噪性能。在保留的3000個樣本測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則在1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們通過奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。採用自適應填充準則，在有限計算資源（少於10個LES樣本）下策略性地增強代理模型精度。該方法應用於有機朗肯循環（ORC）超音速渦輪導葉優化，工作雷諾數達~10^6量級。研究發現：RANS-LES相關性在最優區域附近減弱，但MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合豐富的低精度數據和稀缺的高精度數據；RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware 訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI 重建過程的知識提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則在1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多保真度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的性價比優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)和RANS的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源(少於10個LES樣本)下策略性地完善代理模型。該方法被應用於優化有機朗肯循環(ORC)中超音速渦輪葉片(雷諾數約10^6)。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，能有效利用豐富的低精度數據和稀缺的高精度數據；RANS雖能準確預測全局目標函數趨勢，但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的幾何細節趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI 重建過程知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經脊柱 MRI展開，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高保真方法。然而在高雷諾數下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。通過在有限計算資源內(少於10個LES樣本)採用自適應填充準則，策略性地豐富代理模型。該方法被應用於優化有機朗肯循環(ORC)中超音速渦輪導葉，其工作雷諾數達~10^6量級。研究顯示：雖然在最優區域附近RANS-LES相關性減弱，但MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，有效利用了豐富的低保真數據和稀缺的高保真數據。RANS能準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型則能捕捉LES揭示的精細幾何趨勢。損失分析表明，LES對於識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程的知識提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則在1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本上表現出良好泛化性，對實時電影和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，使用100%心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：針對涉及邊界層轉捩、激波相互作用和湍流尾跡等高雷諾數流動的複雜現象，本文提出了一種經濟高效的多目標形狀優化策略。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而在高雷諾數條件下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源內(少於10個LES樣本)實現代理模型的戰略增強。該方法應用於有機朗肯循環(ORC)中超音速渦輪葉片的優化設計(雷諾數約10^6)。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型表現優於基於相同LES數據的單保真克里金(SFK)，能有效整合豐富的低精度和稀缺的高精度數據；RANS雖能準確預測全局目標函數趨勢，卻無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605個心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程的知識提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經脊柱 MRI展開，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於LES指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而在高雷諾數條件下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們通過奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。採用自適應填充準則，在有限計算資源內(少於10個LES樣本)實現代理模型的策略性增強。該方法應用於有機朗肯循環(ORC)中超音速渦輪葉片的優化設計(雷諾數約10^6)。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，能有效利用豐富的低精度數據和稀缺的高精度數據；RANS雖能準確預測全局目標函數趨勢，但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware 訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI 重建過程的知識來提升去噪性能。在留出的3000個樣本測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型在成像序列、動態對比度變化、不同解剖結構和場強間的泛化能力。分布內測試中的最佳模型在分布外樣本上表現出良好泛化性，對實時電影和灌注成像分別實現6.5倍和2.9倍的CNR 提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們通過奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。採用自適應填充準則，在有限計算資源（少於10個LES樣本）下策略性地增強代理模型精度。該方法應用於有機朗肯循環（ORC）中超音速渦輪導葉的優化設計（雷諾數約10^6量級）。研究表明：雖然在最優區域附近RANS-LES相關性減弱，但MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合豐富的低精度和稀缺的高精度數據；RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的幾何細節趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI 重建過程知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本上表現出良好泛化性，對實時電影和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而在高雷諾數條件下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源內(少於10個LES樣本)實現代理模型的策略性增強。該方法被應用於優化有機朗肯循環(ORC)中超音速渦輪導葉，其工作雷諾數達~10^6量級。研究表明：雖然在最優區域附近RANS-LES相關性減弱，但MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，能有效利用豐富的低精度數據和稀缺的高精度數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的幾何細節趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI 重建過程的知識提升去噪性能。在分布內測試中，使用3000個保留樣本進行驗證，通過PSNR和SSIM 指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經脊柱 MRI展開，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出優異泛化性，分別為實時電影成像和灌注成像帶來6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出良好的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高精度方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）構建低維設計空間表示，並建立融合壁面解析LES（WRLES）與RANS數據的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源內（少於10個LES樣本）實現代理模型的戰略增強。該方法應用於有機朗肯循環（ORC）超音速渦輪葉片的優化設計（雷諾數約10^6）。研究表明：雖然RANS-LES相關性在最優區域附近減弱，但MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效利用豐富的低精度和稀缺的高精度數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware 訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI 重建過程知識來提升去噪性能。在保留的3000個樣本測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多保真度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而在高雷諾數下，LES的計算成本令人望而卻步，難以直接用於優化設計。為解決此問題，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS數據的多保真協同克里金(MFK)代理模型。通過在有限計算資源內(少於10個LES樣本)採用自適應填充準則，實現了代理模型的策略性優化。該方法被應用於優化有機朗肯循環(ORC)中超音速渦輪葉片的雷諾數達~10^6的流動工況。研究表明：雖然RANS-LES相關性在最優區域附近減弱，但MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，能有效利用豐富的低精度數據和稀缺的高精度數據。RANS雖能準確預測全局目標函數趨勢，卻無法解析關鍵流動特徵；而MFK模型則能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對於識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程知識來提升去噪性能。在分布內測試中，使用3000個保留樣本進行驗證，通過PSNR和SSIM指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則針對1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經脊柱 MRI展開，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本上表現出良好泛化性：實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高保真方法。然而在高雷諾數下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）構建低維設計空間表示，並建立融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源內（少於10個LES樣本）實現代理模型的策略性增強。該方法應用於有機朗肯循環（ORC）中超音速渦輪導葉的優化設計（雷諾數約10^6）。研究表明：雖然在最優區域附近RANS-LES相關性減弱，但MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效利用豐富的低保真數據和稀缺的高保真數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程的知識提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而高雷諾數下LES計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源內(少於10個LES樣本)實現代理模型的戰略增強。該方法應用於有機朗肯循環(ORC)中超音速渦輪導葉的優化設計(雷諾數約10^6級)。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型表現優於基於相同LES數據的單保真克里金(SFK)模型，能有效整合豐富的低精度數據和稀缺的高精度數據；RANS雖能準確預測全局目標函數趨勢，但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI 重建過程的知識提升去噪性能。在分布內測試中，使用3000個保留樣本進行驗證，通過PSNR和SSIM 指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經脊柱 MRI展開，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影和灌注成像分別實現6.5倍和2.9倍的CNR 提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高保真方法。然而在高雷諾數下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。通過在有限計算資源內(少於10個LES樣本)採用自適應填充準則，策略性地增強代理模型精度。該方法被應用於優化有機朗肯循環(ORC)中超音速渦輪導葉(雷諾數約10^6量級)。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型表現優於基於相同LES數據的單保真克里金(SFK)模型，能有效整合豐富的低保真數據和稀缺的高保真數據；RANS雖能準確預測全局目標函數趨勢，卻無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢；損失分析表明，LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程的知識來提升去噪性能。在分布內測試中，使用3000個保留樣本進行驗證，通過PSNR和SSIM 指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型在成像序列、動態對比度變化、不同解剖結構和場強間的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性：實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而高雷諾數下LES計算成本過高，難以直接用於優化設計。為此，我們通過奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。採用自適應填充準則在有限計算資源內(少於10個LES樣本)策略性地完善代理模型。該方法應用於有機朗肯循環(ORC)超音速渦輪導葉優化(雷諾數約10^6)。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型表現優於基於相同LES數據的單保真克里金(SFK)，能有效整合大量低精度和少量高精度數據；RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的幾何細節趨勢；損失分析表明LES對識別性能損害機制至關重要，僅用RANS優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware 訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI 重建過程的知識來提升去噪性能。在3000個樣本的保留測試集上進行分布內測試，使用PSNR和SSIM 指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試涵蓋1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經脊柱 MRI，用於驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影和灌注成像分別實現6.5倍和2.9倍的CNR 提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高保真方法。然而在高雷諾數下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)構建低維設計空間表示，並建立融合壁面解析LES(WRLES)與RANS數據的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源(少於10個LES樣本)內實現代理模型的戰略增強。該方法應用於有機朗肯循環(ORC)中超音速渦輪葉片的優化設計(雷諾數約10^6)。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型表現優於基於相同LES數據的單保真克里金(SFK)模型，有效融合了豐富的低保真數據和稀缺的高保真數據。RANS能準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型則能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程的知識提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則在1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高保真方法。然而高雷諾數下LES計算成本過高，難以直接用於優化設計。為此，我們通過奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。採用自適應填充準則在有限計算資源內(少於10個LES樣本)策略性地增強代理模型。該方法應用於有機朗肯循環(ORC)中超音速渦輪葉片的優化設計(雷諾數約10^6)。研究表明：雖然最優區域附近RANS-LES相關性減弱，但MFK模型優於基於相同LES數據的單保真克里金(SFK)，能有效利用豐富的低保真和稀缺的高保真數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則在1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，分別為實時電影成像和灌注成像帶來6.5倍和2.9倍的CNR提升。此外，使用100%心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而在高雷諾數下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源內(少於10個LES樣本)實現代理模型的策略性增強。該方法被應用於優化有機朗肯循環(ORC)中超音速渦輪導葉，其工作雷諾數達~10^6量級。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型表現優於基於相同LES數據的單保真克里金(SFK)模型，能有效利用豐富的低精度數據和稀缺的高精度數據；RANS雖能準確預測全局目標函數趨勢，卻無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢；損失分析表明，LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T 場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程的知識來提升去噪性能。在保留的3000個樣本測試集上進行了分布內測試，使用PSNR和SSIM 指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則針對1.5T 場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型在成像序列、動態對比度變化、不同解剖結構和場強間的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D 掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於LES引導的高雷諾數渦輪流動優化的經濟型多保真度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們通過奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。採用自適應填充準則，在有限計算資源內(少於10個LES樣本)策略性地完善代理模型。該方法應用於有機朗肯循環(ORC)中超音速渦輪導葉的優化設計(雷諾數約10^6量級)。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，能有效整合豐富的低精度數據和稀缺的高精度數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的幾何細節趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程的知識提升去噪性能。在分布內測試中，使用3000個保留樣本進行驗證，通過PSNR和SSIM指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型在成像序列、動態對比度變化、不同解剖結構和場強間的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬（LES）等高保真方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）建立低維設計空間表徵，並構建融合壁面解析LES（WRLES）與RANS的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源內（少於10個LES樣本）實現代理模型的策略性增強。該方法應用於有機朗肯循環（ORC）中超音速渦輪導葉的優化設計（雷諾數約10^6量級）。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金（SFK）模型，能有效整合豐富的低保真數據和稀缺的高保真數據；RANS雖能準確預測全局目標函數趨勢，但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605個心臟回顧性門控電影複合成像序列中的2,885,236幅圖像大數據集，採用兩種骨幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，利用MRI重建過程知識來提升去噪性能。在3000個樣本的保留測試集上進行了分布內測試，使用PSNR和SSIM指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則在1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI上進行，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，分別實現實時電影成像6.5倍和灌注成像2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而在高雷諾數條件下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)和RANS的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源內(少於10個LES樣本)實現代理模型的策略性增強。該方法應用於有機朗肯循環(ORC)中超音速渦輪導葉的優化設計(雷諾數約10^6)。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，能有效利用豐富的低精度數據和稀缺的高精度數據；RANS雖能準確預測全局目標函數趨勢，但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的幾何細節趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程的知識提升去噪性能。在分布內測試中，使用3000個保留樣本進行驗證，通過PSNR和SSIM指標評估性能，並與未採用噪聲增強的消融實驗進行對比。分布外測試則針對1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型跨成像序列、動態對比度變化、不同解剖結構和場強的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而在高雷諾數下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)和RANS數據的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源(少於10個LES樣本)下實現代理模型的策略性優化。該方法應用於有機朗肯循環(ORC)中超音速渦輪葉片的優化設計(雷諾數約10^6)。研究發現：在最優區域附近RANS-LES相關性減弱時，MFK模型表現優於基於相同LES數據的單保真克里金(SFK)模型，能有效利用豐富的低精度數據和稀缺的高精度數據；RANS雖能準確預測全局目標函數趨勢，卻無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢；損失分析表明LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation
中文標題：SNRAware：基於信噪比單元訓練和G因子圖增強的改進型深度學習MRI去噪方法
發布日期：2025-03-23 18:16:36+00:00
作者：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen
分類：physics.med-ph, cs.AI, cs.CV, eess.IV
原文鏈接：http://arxiv.org/abs/2503.18162v1

中文摘要：摘要：本研究旨在開發並評估一種新型深度學習 MRI去噪方法，該方法利用重建過程中的定量噪聲分布信息來提升去噪性能與泛化能力。這項回顧性研究基於3T場強下獲取的96,605例心臟回顧性門控電影複合成像序列（共2,885,236幅圖像）的大規模數據集，採用兩種主幹架構訓練了14種不同的Transformer和卷積模型。提出的SNRAware訓練方案通過模擬大規模、高質量且多樣化的合成數據集，並向模型提供噪聲分布的定量信息，從而利用MRI重建過程的知識提升去噪性能。在分布內測試中，使用3000個樣本的保留數據集進行驗證，通過PSNR和SSIM指標評估性能，並與未進行噪聲增強的消融實驗進行對比。分布外測試則針對1.5T場強下獲取的心臟實時電影成像、首過心臟灌注成像以及神經和脊柱 MRI展開，以驗證模型在成像序列、動態對比度變化、不同解剖結構和場強間的泛化能力。分布內測試中的最佳模型在分布外樣本中表現出良好泛化性，對實時電影成像和灌注成像分別實現6.5倍和2.9倍的CNR提升。此外，僅使用心臟電影數據訓練的模型對T1 MPRAGE 神經 3D掃描和T2 TSE 脊柱 MRI也展現出優秀的泛化性能。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多保真度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高保真方法。然而在高雷諾數下，LES的計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)構建低維設計空間表示，並建立融合壁面解析LES(WRLES)和RANS的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源內(少於10個LES樣本)策略性地增強代理模型精度。該方法應用於優化有機朗肯循環(ORC)中超音速渦輪導葉(雷諾數約10^6)。研究表明：雖然RANS-LES相關性在最優區域附近減弱，但MFK模型優於基於相同LES數據的單保真克里金(SFK)，能有效利用豐富的低保真數據和稀缺的高保真數據。RANS能準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：針對涉及邊界層轉捩、激波相互作用和湍流尾跡等高雷諾數複雜流動現象，本文提出了一種經濟高效的多目標形狀優化策略。雷諾平均Navier-Stokes（RANS）模型難以準確捕捉這些流動過程，因此需要採用大渦模擬（LES）等高精度方法。然而高雷諾數下LES計算成本過高，難以直接用於優化設計。為此，我們採用奇異值分解（SVD）構建低維設計空間表示，並建立融合壁面解析LES（WRLES）與RANS數據的多保真協同克里金（MFK）代理模型。通過自適應填充準則，在有限計算資源（少於10個LES樣本）下實現代理模型的策略性增強。該方法應用於雷諾數約10^6的有機朗肯循環（ORC）超音速渦輪導葉優化。研究表明：雖然最優區域附近RANS-LES相關性減弱，但MFK模型性能優於基於相同LES數據的單保真克里金（SFK）模型，有效融合了豐富的低精度數據和稀缺的高精度數據。RANS能準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型可捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而在高雷諾數條件下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)建立低維設計空間表徵，並構建融合壁面解析LES(WRLES)與RANS數據的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源(少於10個LES樣本)下實現代理模型的策略性增強。該方法應用於有機朗肯循環(ORC)中超音速渦輪葉片的優化設計(雷諾數約10^6)。研究表明：雖然在最優區域附近RANS-LES相關性減弱，但MFK模型優於基於相同LES數據的單保真克里金(SFK)模型，能有效利用豐富的低精度數據和稀缺的高精度數據。RANS可準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。

摘要

原文標題：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES
中文標題：基於大渦模擬指導的高雷諾數渦輪流動優化的經濟型多精度策略
發布日期：2025-03-23 08:14:18+00:00
作者：Camille Matar, Paola Cinnella, Xavier Gloerfelt
分類：physics.flu-dyn, physics.comp-ph
原文鏈接：http://arxiv.org/abs/2503.17977v1

中文摘要：摘要：本文提出了一種針對高雷諾數流動的成本效益型多目標形狀優化策略，該流動涉及邊界層轉捩、激波相互作用和湍流尾跡等複雜現象。雷諾平均納維-斯托克斯(RANS)模型難以準確捕捉這些流動特徵，因此需要採用大渦模擬(LES)等高精度方法。然而在高雷諾數條件下，LES的計算成本令人望而卻步，難以直接用於優化設計。為此，我們採用奇異值分解(SVD)構建低維設計空間表示，並建立融合壁面解析LES(WRLES)與RANS的多保真協同克里金(MFK)代理模型。通過自適應填充準則，在有限計算資源內(少於10個LES樣本)實現代理模型的策略性增強。該方法被應用於優化有機朗肯循環(ORC)中超音速渦輪葉片，其工作雷諾數達~10^6量級。研究發現：雖然在最優區域附近RANS-LES相關性減弱，但MFK模型的表現優於基於相同LES數據的單保真克里金(SFK)模型，有效融合了豐富的低精度數據和稀缺的高精度數據。RANS能準確預測全局目標函數趨勢但無法解析關鍵流動特徵，而MFK模型則能捕捉LES揭示的精細幾何趨勢。損失分析表明：LES對識別性能損害機制至關重要，而僅依賴RANS的優化會導致次優設計。