IDLat：一种面向科学数据的重要性驱动隐空间生成方法

基于深度学习的隐表示已广泛用于众多科学可视化应用，例如等值面相似性分析、体绘制、流场合成和数据约简等。然而，现有隐表示多以无监督方式从原始数据生成，难以融入领域兴趣来控制隐表示的大小以及重建数据的质量。本文提出一种新颖的重要性驱动隐表示，以促进领域兴趣引导的科学数据可视化与分析。我们利用空间重要性图表示各种科学兴趣，并将其作为特征变换网络的输入以引导隐生成。我们进一步通过与时序自编码器一同训练的无损熵编码算法缩减隐尺寸，提升了存储与内存效率。我们通过来自多个科学可视化应用的数据，定性及定量地评估了由我们的方法生成的隐表示的有效性与效率。