HyperFLINT：基于超网络的流场估计与时间插值用于科学集合可视化
计算机视觉与模式识别
2025-03-26 v2 图形学
机器学习
摘要
我们提出了HyperFLINT（基于超网络的流场估计与时间插值），这是一种新颖的基于深度学习的方法，用于估计流场、对时间标量场进行插值，并促进时空科学集合数据中的参数空间探索。这项工作解决了将集合参数显式纳入学习过程的关键需求，因为传统方法常常忽略这些参数，限制了它们适应多样化模拟设置并提供对数据动态有意义洞察的能力。HyperFLINT引入了一个超网络来考虑模拟参数，使其能够通过动态适应不同条件，为每个时间步生成精确的插值和流场，从而优于现有的参数无关方法。该架构具有模块化的神经块，包含卷积和反卷积层，并由一个为主网络生成权重的超网络支持，使模型能够更好地捕捉复杂的模拟动力学。一系列实验证明了HyperFLINT在流场估计和时间插值方面的显著性能提升，以及其在实现参数空间探索方面的潜力，为复杂的科学集合提供了宝贵的见解。
引用
@article{arxiv.2412.04095,
title = {HyperFLINT: Hypernetwork-based Flow Estimation and Temporal Interpolation for Scientific Ensemble Visualization},
author = {Hamid Gadirov and Qi Wu and David Bauer and Kwan-Liu Ma and Jos Roerdink and Steffen Frey},
journal= {arXiv preprint arXiv:2412.04095},
year = {2025}
}