面向 Paraview 中的数据驱动过滤器

科学可视化的最新进展已将可视化的范围从单纯的展示方式扩展为分析与发现工具。给定的可视化结果通常通过对底层数据施加一系列变换或过滤器而生成。如今，此类过滤器使用确定性算法来处理数据。在本工作中，我们旨在将这种方法扩展至数据驱动的过滤器，即向可视化系统暴露预训练机器学习模型能力的数据驱动过滤器。这类数据驱动过滤器在分割、分类等领域尤为引人关注，因为机器学习模型在这些领域通常优于现有的算法方法。为展示该思路，我们将知名流场可视化工具 Paraview 与深度学习框架 PyTorch 相耦合。我们通过插件扩展 Paraview，使用户能够以新开发的过滤器形式加载其自选的预训练模型。这些过滤器将输入数据送入模型进行变换，随后将模型输出作为剩余可视化流水线的输入。我们展示了一系列针对图像与流体数据的分割与分类的简化用例，以证明此类数据驱动变换在 Paraview 中用于未来复杂分析任务的技术可行性。