用物理约束神经网络，从阴影图像重建密度场。

Physics-informed Shadowgraph Network: An End-to-end Density Field Reconstruction Method

• 引入物理信息神经网络，融合光学原理建模。
• 在300组合成数据上实现92.7%的密度场重建精度。
• 适合流体密度场反演与实验数据补全场景。

本研究提出一种基于物理信息神经网络的新型方法，可从阴影图像中定量重建密度场。该方法将光的传播物理规律嵌入神经网络训练过程，利用光线偏转与密度梯度的积分关系构建损失函数。在300组合成数据上测试，重建均方误差降低至基准方法的18%，平均相关系数达0.927。结果表明，该模型能有效捕捉复杂密度分布特征，在稀疏采样条件下仍保持高保真度。适用于高速流动、等离子体等难以直接测量密度的物理系统。

原文摘要 · Abstract (English)

This study presents a novel approach for quantificationally reconstructing density fields from shadowgraph images using physics-informed neural networks

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。