基于神经网络的可视化与可视分析国际学术报告成功举行的报告 _数据可视化

2022年5月5日星期四晚，由中国图像图形学学会可视化与视觉分析专业委员会组织的第十六届可视化与视觉分析国际学术报告会顺利召开。本报告特邀德国慕尼黑工业大学Rüdiger教授担任讲师。教授是慕尼黑工业大学的计算机科学教授。自 2003 年起，他担任计算机图形和可视化组的负责人。2012 年，他在不确定性可视化领域的研究获得了价值 230 万欧元的 ERC 高级资助。自 2015 年起，他成为跨区域合作研究中心“Waves to”的成员，该中心为气象学家提供可视化分析和深度学习方法，以打破天气预报的局限性。他最近与代尔夫特理工大学吴军教授合作的研究包括应力引导拓扑优化、基于学习的数据可视化和重构、压缩和特征分析方法。
教授带来了题为“-based and for In-Situ”（基于神经网络的原位可视化提升和采样）的精彩报告。首先，教授介绍了科学可视化相关的背景知识。科学数据可视化往往是事后进行的，从存储中提取数据，从数据中提取特征并进行渲染；最重要的问题之一是解决数据的可扩展性（）问题：
1. 计算和读写（I/O）能力之间存在差距：2010年代计算速度提高了两个数量级，而I/O能力仅提高了一个数量级幅度；
2. 模拟数据需要存储，不能以足够的帧速率流式传输到内存：存储数据的时间比计算它们的时间长；
3.在处理多变量数据和聚合数据时，I/O 要求更高；
这些问题使得事后渲染科学数据变得非常缓慢。在此背景下，教授指出原位可视化（In-situ）是传统事后可视化的替代方案。原位可视化的一个特点是通过实时可视化监控正在运行的数据模拟程序，动态生成和流式传输数据。为了提高可视化的效率，可行的解决方案之一是减少数据样本的数量。那么，基于学习的方法能否减少原位可视化程序所需的数据样本数量？

图 1 从低分辨率结构推断高分辨率 (4x) 结构
教授提到基于学习的 scale up() 技术，使用人工神经网络，能够从低分辨率输入中推断出高分辨率结构（图 Pixel 。介绍了一种用于科学可视化的超分辨率技术，它基于残差网络生成双线性提升的超分辨率图像，并使用密集光流来保持时间一致性。
在实际应用中，也可以将超分辨率技术和高分辨率渲染结合起来，将用户感兴趣的区域（如图2中红色部分）直接用真实的高分辨率结构，可以直接绘制周围区域（图2中的绿色）。部分），可以使用 1:2 的采样率进行超分辨率重建，对于其他不感兴趣的区域，可以使用 1:4 的采样率进行重建。

图2 不同区域不同采样率的超分辨率重建
教授提到，目前基于神经网络的超分辨率技术存在以下问题： I/O牺牲质量（下采样），可能足以监控模拟数据，但可能会丢失重要特征，导致精度问题；其次学术数据分析及可视化，神经网络非常耗时（相对于成熟的可视化程序生成图像的速度）最后，目前的神经网络训练只在模拟数据的单一训练集上进行，很难处理没有在训练过程中看到过，对于更多不同的具体模拟过程，需要使用新的数据集重新训练网络。

图 3 自适应采样学习和超分辨率重建的神经网络架构
为了提高重构质量，教授发表了一篇关于自适应采样的工作，以便能够在比均匀采样更密集的区域中采样更重要的特征。这项工作的主体是一个用于体积可视化和 3D 可视化重建的自适应采样学习神经网络（图 3）），它被端到端训练以从给定的低-分辨率输入图像，并从一组稀疏样本中重建高分辨率图像。In- 在数据（图 4 左）和真实值（图 4 右）上比较自适应采样率为 5% 的重建效果，整体可视化效果相当不错，只是亮度衰减到了一定程度上。

以上关于本文的内容，仅作参考！温馨提示：如遇专业性较强的问题（如：疾病、健康、理财等），还请咨询专业人士给予相关指导!

「辽宁龙网」www.liaoninglong.com小编还为您精选了以下内容，希望对您有所帮助：