用于损失压缩时空科学数据的基础模型
机器学习
2024-12-24 v1
摘要
我们提出了一种用于损失性科学数据压缩的基础模型 (FM)，将变分自编码器 (VAE) 与超先验结构及超分辨率 (SR) 模块相结合。VAE 框架使用超先验来建模潜在空间中的依赖关系，从而提高压缩效率。SR 模块将低分辨率表示细化为高分辨率输出，提高重构质量。通过交替使用 2D 和 3D 卷积，该模型有效地捕获科学数据中的时空相关性，同时保持较低的计算成本。实验结果表明，FM 能良好地泛化至未见域及不同数据形状，在特定领域微调后，压缩比比当前最先进方法高最高可达 4 倍。SR 模块相对于简单上采样技术提高压缩比 30%。该方法显著降低大规模科学模拟的存储和传输成本，同时保持数据完整性和保真度。
引用
@article{arxiv.2412.17184,
title = {Foundation Model for Lossy Compression of Spatiotemporal Scientific Data},
author = {Xiao Li and Jaemoon Lee and Anand Rangarajan and Sanjay Ranka},
journal= {arXiv preprint arXiv:2412.17184},
year = {2024}
}