基于八叉树的分层采样优化用于科学数据体超分辨率
计算物理
2023-06-09 v1 计算工程、金融与科学
摘要
将物理约束深度学习方案引入科学数据体超分辨率时，训练难以收敛且耗时。我们提出一种基于八叉树的新分层采样方法以解决这些困难。在我们的方法中，科学数据在训练前被预处理，并构建基于八叉树的层次数据结构以引导潜在上下文网格上的采样。八叉树中每个叶节点对应体数据的一个不可分子块。子块尺寸不同，使得每个随机裁剪训练数据块中的样本点数量自适应。我们根据损失分布间隔重建八叉树以执行多阶段训练。以 Rayleigh-Bénard 对流问题为例，我们将该方法部署于最先进模型。我们构建了充分实验来评估方法的训练性能与模型精度。实验表明，我们的采样优化改善了物理约束深度学习超分辨率方案的收敛性能。此外，样本点与训练时间显著减少且模型精度无下降。我们还在其他深度神经网络的训练任务中测试了该方法，结果显示我们的采样优化具有广泛的有效性与适用性。代码公开于 https://github.com/xinjiewang/octree-based_sampling。
引用
@article{arxiv.2306.05133,
title = {Octree-based hierarchical sampling optimization for the volumetric super-resolution of scientific data},
author = {Xinjie Wang and Maoquan Sun and Yundong Guo and Chunxin Yuan and Xiang Sun and Zhiqiang Wei and Xiaogang Jin},
journal= {arXiv preprint arXiv:2306.05133},
year = {2023}
}