MSV-Net:面向科学模拟面体混合数据的超分重建方法

摘要：

高保真度的可视分析通常依赖大规模科学模拟产生的耦合几何模型的高分辨率网格数据,这对数据存储和流畅交互均提出了巨大挑战.提出了MSV-Net,一个面向大规模科学模拟面体混合数据的超分辨率重建方法.该网络为端到端的深度神经网络,通过多层非线性变换实现从低分辨数据到高分辨数据的混合绘制映射的联合学习;该网络舍弃了全连接层,不仅可以减少网络参数,而且能够提升网络的灵活性与可复用性.此外,构建了面向大规模电磁模拟应用的面体混合数据集MSV-Dataset,用于模型训练和验证.该数据集由采用不透明几何模型绘制耦合半透明体绘制的混合绘制的图像构成.与多种传统方法和深度学习方法进行了对比,定量分析结果显示,MOS绝对评价指标达到了4.1,重建准确率仅次于真实图像;基于混合数据绘制1500×1500分辨率的图像,采用直接绘制需要66.28 s,而采用MSV-Net则仅需要4.14 s,交互性能提升了约15倍.

关键词：科学数据可视化、混合绘制、大规模模拟、超分辨率重建、深度学习

所属期刊栏目：17

分类号：TP301.6(计算技术、计算机技术)

在线出版日期：2023-06-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1321-1328