Deep Hierarchical Super Resolution for Scientific Data

要約

ニューラル ネットワーク (NN) を使用した階層型超解像 (SR) の新しい手法を提示します。これは、オクツリー データ構造で表されるボリューム データを、オクツリー ノード境界でのシーム アーティファクトを最小限に抑えた高解像度の均一グリッドにアップスケールします。
私たちの方法は、既存の最先端のSRモデルを使用し、以前のアプローチでサポートされていた均一なグリッドデータのみではなく、ドメイン全体でさまざまな詳細レベルで入力データをアップスケールする柔軟性を追加します。
重要なのは、SR NN の階層を使用することです。それぞれが 2 つの詳細レベル間で 2 倍の SR を実行するようにトレーニングされており、詳細の最も粗いレベルから開始して作業を進めることでシーム アーティファクトを最小限に抑える階層 SR アルゴリズムを使用します。
階層的アプローチがベースライン補間および階層的アップスケーリング方法よりも優れていることを示し、均一なダウンサンプリング + SR の代わりに階層的ダウンサンプリング + SR を使用したデータ削減、階層的有限時間リアプノフ指数の計算節約など、3 つのユース ケースにわたって提案されたアプローチの有用性を実証します。
フィールド計算、および高解像度近似視覚化のための超解像度低解像度シミュレーション結果。

要約(オリジナル)

We present a novel technique for hierarchical super resolution (SR) with neural networks (NNs), which upscales volumetric data represented with an octree data structure to a high-resolution uniform grid with minimal seam artifacts on octree node boundaries. Our method uses existing state-of-the-art SR models and adds flexibility to upscale input data with varying levels of detail across the domain, instead of only uniform grid data that are supported in previous approaches. The key is to use a hierarchy of SR NNs, each trained to perform 2x SR between two levels of detail, with a hierarchical SR algorithm that minimizes seam artifacts by starting from the coarsest level of detail and working up. We show that our hierarchical approach outperforms baseline interpolation and hierarchical upscaling methods, and demonstrate the usefulness of our proposed approach across three use cases including data reduction using hierarchical downsampling+SR instead of uniform downsampling+SR, computation savings for hierarchical finite-time Lyapunov exponent field calculation, and super-resolving low-resolution simulation results for a high-resolution approximation visualization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google