8×8观测重建128×128湍流涡量：SIMR-NO在衰减湍流上把相对误差压到约3%
核心概要
从8×8的粗观测重建128×128涡量场是16倍上采样，粗网格只分辨到波数4，细尺度涡结构必须靠先验推断。SIMR-NO把重建拆成32→64和64→128两级，每级在双三次插值基底上叠加由径向波数门控的傅里叶层残差修正，再用局部卷积补足截断傅里叶基之外的特征。在Kolmogorov强迫湍流上其平均相对误差为0.2506，低于LapSRN、FNO和EDSR；在Re=1000、4000、8000的衰减均匀各向同性湍流上平均相对误差约3%，且随雷诺数变化很小。
深度剖析
湍流超分辨不再依赖单一映射一次补齐全部缺失尺度，而是沿中间分辨率逐级重建，每一级只负责把分辨率翻倍。 此前的单级方法要从粗观测直接学到高分辨率输出，卷积超分网络又缺少适合湍流的频谱与多尺度归纳偏置，分辨率差距越大越难学。 在Kolmogorov强迫湍流201个测试快照上，SIMR-NO的平均相对ℓ2误差为0.2506±0.0983，比LapSRN的0.3045、FNO的0.3194和EDSR的0.3623分别低17.7%、21.5%和30.8%，SSIM为0.8075，PSNR为24.77 dB。
每一级先给出确定性的双三次插值基底，再由学习到的频谱残差修正补回高频内容，最后用局部卷积细化。 标准傅里叶神经算子只保留逐模态乘子，没有按尺度共享的权重，卷积基线则只有固定感受野的局部滤波。 频谱门控把归一化径向波数的两层感知机输出乘到每个保留模态的傅里叶乘子上，第一级用16个模态、第二级用32个模态；在Re=1000、4000、8000的衰减湍流上平均相对误差分别为0.0277、0.0316、0.0318，比FNO低7.7%、45.6%和54.8%。
重建精度对雷诺数的敏感度明显低于对比模型，从Re=1000到8000平均误差只增大1.15倍。 同一区间内FNO的误差增大2.35倍，EDSR增大1.59倍，LapSRN增大1.77倍。 衰减湍流上SIMR-NO的PSNR保持在45.23至46.16 dB之间，SSIM不低于0.998；在20×20局部区域，其相对误差在Re=4000和8000时约为最强基线的三分之一。
启示与展望
验证范围限于二维周期域(0,2π)²上的涡量场：统计定常的Kolmogorov强迫湍流，以及Re=1000、4000、8000的自由衰减均匀各向同性湍流，均由8×8观测重建128×128场。衰减湍流的结果来自每个雷诺数单条轨迹、间隔0.01的快照，测试样本与训练样本在时间上相邻。
各架构组件的贡献尚未通过消融实验分离，作者将其列为后续工作。衰减湍流结果只在单条轨迹内取得，跨独立实现、用单一模型跨雷诺数泛化都还有待评估。在Kolmogorov强迫湍流中，所有学习模型包括SIMR-NO在k≈20以上仍保留比参考场更多的小尺度内容。