用于大规模数据可视化的自适应放置多网格场景表示网络

场景表示网络（SRNs）近期被提出用于科学数据的压缩与可视化。然而，最先进的SRNs未将可用网络参数分配适应科学数据中发现的复杂特征，导致重建质量损失。我们以自适应放置多网格SRN（APMGSRN）解决此缺陷，并提出一种域分解训练与推理技术，用于多GPU系统上的加速并行训练。我们还发布了一个开源神经体渲染应用，支持任意基于PyTorch的SRN即插即用渲染。我们提出的APMGSRN架构使用多个空间自适应特征网格，学习在域内何处放置，以动态分配更多神经网络资源到体数据中误差高的地方，从而提升SRNs对科学数据的重建精度，且无需像先前自适应模型那样昂贵的八叉树细化、剪枝与遍历。在我们用于表征大规模数据的域分解方法中，我们在体的独立块上并行训练一组APMGSRNs以减少训练时间，同时避免对超出GPU内存的体数据所需核外方案的额外开销。训练后，轻量SRNs用于我们开源渲染器中的实时神经体渲染，可探索任意视角与传递函数。本文副本、所有代码、实验中使用的所有模型及所有补充材料与视频均可在 https://github.com/skywolf829/APMGSRN 获取。