本研究提出了一种图变换器框架，用于从稀疏表面测量重建空气动力学流场。该框架结合了消息传递神经网络的几何表达能力与变换器的全局推理能力，展现出优异的重建精度和推理速度，并对传感器覆盖率降低具有鲁棒性，显示出广泛的应用潜力。

本研究提出了一种基于偏微分方程的超分辨率方法，通过粗网格模拟数据预测细网格结果。利用UNet进行升采样，验证了该方法在计算流体动力学（CFD）领域的有效性，显著提高了计算效率和结果的忠实度。该方法在多种流场重建中表现出色，具备良好的鲁棒性，适用于工程和科学CFD求解器。

本文介绍了一种新型湍流数据重建方法，利用监督式机器学习技术和卷积神经网络的多尺度模型，从粗略的空间和时间数据中恢复高分辨率的湍流流场。该方法在不同流场中得到了验证，能够满足多种流场重建的需求。