我校智慧城市学院江静副教授与北京邮电大学张雪松副教授、北京大学崔庆华教授开展合作研究，联合指导电子信息专业 2023 级研究生徐节同学撰写的学术论文《PIVNO: Particle Image Velocimetry Neural Operator》成功被神经信息处理系统会议（NeurIPS 2025）正式录用！这是我校首篇进入NeurIPS国际顶级人工智能与机器学习系列学术会议的论文，标志着我校科研水平实现了具有里程碑意义的历史性突破。

　　此次论文的录用，不仅充分体现了徐节同学作为电子信息学科研究生在科研上的钻研精神和创新能力，也展示了江静副教授带领的北京联合大学可靠性检测与传感网技术研究团队在人工智能与计算机视觉交叉研究领域的深厚积累。更为重要的是，这一成果凝聚了我校与北京邮电大学、北京大学的合作力量，是一次跨学校协同攻关所取得的重要成果，不仅实现了我校在国际顶会NeurIPS上“零的突破”，也为进一步推动校际科研合作、提升我校在人工智能研究方向的国际影响力谱写新篇。

　　 NeurIPS 2025（Conference on Neural Information Processing Systems）创办于1987年，是全球人工智能与机器学习领域最具影响力的顶尖国际学术会议，涵盖机器学习、计算机视觉、自然语言处理、神经科学等多个前沿方向，其与ICML、ICLR并称为“机器学习三大顶会”，被誉为AI领域的“皇冠级”会议。作为中国计算机学会（CCF）推荐的 A类国际学术会议，根据 Google Scholar Metrics，NeurIPS的 h5-index为371，h5-median为637，在全球计算机类会议中名列前茅，具有极高的学术声誉和严苛的录用标准。

图1 NeurIPS 2025论文海报

论文介绍

PIVNO：粒子图像测速神经算子

PIVNO: Particle Image Velocimetry Neural Operator

引言

　　粒子图像测速（Particle Image Velocimetry, PIV）是一种基于计算机视觉的测量方法，广泛应用于众多科学与工程领域，例如物理学、材料学、生命科学、发动机设计以及组织工程中的运动估计。通过将示踪粒子分散到被测量的流体中，PIV利用高帧率摄像机（通常为10³至10⁵帧/秒）和高重复率激光源（高达10⁴ Hz）来捕捉粒子图像序列并计算粒子位移，从而对潜在运动场进行离散观察，以便进一步进行流体动力学分析。

　　PIV 问题是一个由偏微分方程（PDEs）约束的反问题。给定两幅粒子图像I(x,t₁)和I(x,t₂)，目标是推断流场速度u(x)。这个反问题可以表示为：

其中，表示观测到的标量场（例如粒子强度），u是底层速度场，D 是扩散系数。在无源项、忽略扩散(D=0)以及无散流动的假设下，(1)式简化为算子形式下的纯平流方程：

其中表示图像随时间的观测变化。观测到的粒子图像是离散的、有噪声的，并且信息有限，因此对支配 PDE 的数值解既不唯一也不稳定。换句话说，式 (2) 中B算子的逆算子B^-1可能不存在。

　　本文构建了一种 PIV 神经算子（PIV Neural Operator, PIVNO），它能够直接逼近逆映射，从而有效地将粒子图像特征映射到流场特征。

图2 粒子图像特征与逆映射得到的流场特征

贡献

　　本文提出了 PIV 神经算子（PIV Neural Operator, PIVNO），这一神经算子框架能够直接将粒子图像对映射到流场，在函数空间层面逼近流体动力学，并提升估计精度。

本文引入了一种基于物理散度约束的自监督微调机制，使得模型能够在无需标注数据的情况下，实现从合成训练到真实测试的领域自适应。

　　此外，PIVNO 支持在任意子域上进行分辨率自适应的流场推断，从而在关键区域实现精细化分析，这对于实际的实验流体力学研究至关重要。

实验

表1 在基准数据集上的定量比较

图3 合成数据集上的视觉比较

图4 真实世界 PIV 挑战任务的视觉比较

图5 江静导师和研究生徐节

作者：江静  曾凤彩  徐节