基于参数和非参数概率模型的二维标量场临界点的不确定性可视化

本文提出了一种用于闭形式计算和可视化二维不确定标量场临界点不确定性的新型端到端框架。临界点是标量场可视化和分析中使用的基本拓扑描述子。然而，数据本身的不确定性（例如观测数据和实验数据、仿真中的近似以及压缩）会导致临界点位置的不确定性。鉴于其对下游数据分析任务的影响，临界点位置的不确定性无法被忽视。本文研究了随概率分布建模的数据不确定性对临界点不确定性的影响。虽然蒙特卡洛（MC）抽样技术已用于量化临界点不确定性，但往往计算昂贵且在生产级可视化软件中使用频率较低。因此，我们提出了新的端到端框架来应对这些挑战，其包含三个方面的贡献：首先，我们推导了临界点不确定性的闭式解，比传统MC抽样方法更准确且更高效。具体而言，我们提供了针对参数（例如均匀分布、Epanechnikov分布）和非参数模型（例如直方图）的有限支撑集的闭式解和半解析解。其次，我们使用与VTK-m库相关的并行实现加速临界点概率计算，该库具有平台可移植性。最后，我们演示了将我们的实现集成到ParaView软件系统中，以针对真实数据集显示近实时结果。