.png){kind=icon}
返回
A Study of Data Augmentation for Learning-Driven Scientific Visualization
.png){kind=icon}
PRE
AI
DOI：10.1109/TVCG.2025.3587685.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习的成功高度依赖于大量的训练样本。然而，在科学可视化领域，由于计算成本高昂，训练过程中仅能获取少量数据，这限制了深度学习的性能。解决数据稀疏问题的常用技术是数据增强。本文对九种数据增强技术（即噪声注入、插值、缩放、翻转、旋转、变分自编码器、生成对抗网络、扩散模型和隐式神经表示）进行了全面研究，以了解它们在两个科学可视化任务（即空间超分辨率和环绕遮挡预测）中的有效性。我们使用具有不同特征的多个科学数据集，比较了这些数据增强技术之间的数据质量、渲染保真度、优化时间和内存消耗。我们研究了数据增强对方法、数量和多样性等方面的影响，并针对不同深度学习模型进行了分析。我们的研究表明，增加增强数据的数量和单域多样性可以提升模型性能，而增强数据的方法和跨域多样性则没有相同的影响。基于我们的发现，我们讨论了科学数据增强的机遇和未来方向。
Keyword:
Scientific data augmentation
volume visualization
spatial super-resolution
ambient occlusion prediction
期刊
IF:
6.5
论文数:
346
被引数:
2.2W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容