面向误差感知的场景表示网络正则化多解码器集成

特征网格场景表示网络（SRN）已被应用于科学数据作为紧凑的函数型代理，用于分析和可视化。由于 SRN 是黑箱有损数据表示，评估预测质量对科学可视化应用至关重要，以确保科学家可以信赖正在可视化的信息。当前现有的体系结构不支持推理时的重构质量评估，因缺乏真值数据无法评估坐标级别的误差。我们提出一种参数高效的多解码器 SRN（MDSRN）集成体系结构，包含共享特征网格和多个轻量多层感知器解码器。MDSRN 可为给定输入坐标生成一组合理的预测，以计算平均值作为预测结果，计算方差作为置信度分数。坐标级别的方差可与数据一起渲染，以 inform 重构质量，或整合到不确定性感知的体数据可视化算法中。为防止量化方差与预测质量错位，我们提出一种新颖的方差正则化损失，用于集成学习，以促进正则化多解码器 SRN（RMDSRN）获得更可靠的方差，使其与真实模型误差高度相关。我们全面评估了蒙特卡罗 Dropout、均场变分推断、深度集成以及预测方差等方法相对于提出的 MDSRN 和 RMDSRN 在多样化标量场数据集上的方差量化和数据重构质量。我们展示了在相同神经网络参数预算下，RMDSRN 在数据重构精度和不确定性-误差相关性方面优于现有的不确定 SRN。