[論文レビュー] Compressed Sensing and Reconstruction of Unstructured Mesh Datasets

Maher Salloum, Nathan Fabian+2 more|arXiv (Cornell University)|Aug 25, 2015

Sparse and Compressive Sensing Techniques参考文献 13被引用数 3

ひとこと要約

本稿では、有限要素解析からの非構造格子データセットの損失あり圧縮のために、2次世代ウェーブレット（SGW）と段階的直交マッチング Pursuit（StOMP）を用いた圧縮センシング（CS）を提案する。最小限の視覚的劣化で10〜30倍の圧縮比を達成し、シミュレーションコードを変更せずに効率的なイン・サイト保存とインタラクティブ再構成を可能にする。

ABSTRACT

Exascale computing promises quantities of data too large to efficiently store and transfer across networks in order to be able to analyze and visualize the results. We investigate Compressive Sensing (CS) as a way to reduce the size of the data as it is being stored. CS works by sampling the data on the computational cluster within an alternative function space such as wavelet bases, and then reconstructing back to the original space on visualization platforms. While much work has gone into exploring CS on structured data sets, such as image data, we investigate its usefulness for point clouds such as unstructured mesh datasets found in many finite element simulations. We sample using second generation wavelets (SGW) and reconstruct using the Stagewise Orthogonal Matching Pursuit (StOMP) algorithm. We analyze the compression ratios achievable and quality of reconstructed results at each compression rate. We are able to achieve compression ratios between 10 and 30 on moderate size datasets with minimal visual deterioration as a result of the lossy compression.

研究の動機と目的

• I/Oおよびストレージのボトル neck が解析や可視化を妨げるエクサスケールシミュレーションのデータ増大という課題に対処する。
• 非構造格子データセット（有限要素解析に一般的に見られる）の圧縮のための非侵襲的で低オーバーヘッドな手法として、圧縮センシング（CS）を検討する。
• 画像などの構造的格子から、有限要素メッシュのような非構造的点群データへ、CS理論を拡張する。
• 後処理段階でウェーブレット基底とサンプリング行列を選択することにより、圧縮データのインタラクティブで高品質な再構成を可能にする。
• トランスジェントな温度場の不規則なメッシュ上でも、視覚的忠実度を維持しながら高い圧縮比を達成し、再構成誤差を最小限に抑える。

提案手法

• 非構造格子データセットに圧縮センシング（CS）を適用し、不規則な幾何形状やメッシュに適した2次世代ウェーブレット（SGW）を変換ドメインで使用してサンプリングする。
• SGW基底と非一様性の高いランダムサンプリング行列（Φ）を用い、制限等長性性質（RIP）を満たすことで、圧縮サンプルからの安定的かつ一意な再構成を保証する。
• 再構成をスパース回復問題として定式化し、Stagewise Orthogonal Matching Pursuit（StOMP）アルゴリズムを用いて、y = ΦΨs からウェーブレット係数 s を求める。
• 並列シミュレーションにおける各プロセッサ上で局所的に圧縮を実行し、プロセッサ間通信を回避することで、効率的なイン・サイト圧縮を実現する。
• 可視化ワークステーション上で個別に再構成された部分をアセンブルすることで、ウェーブレット次数の選択によるレベル・オブ・ディテール制御を可能にする。
• ウェーブレット基底行列 Ψ とサンプリング行列 Φ を用いて、A = ΦΨ としてシステムを定義し、圧縮測定値 y からスパース係数 s を回復する。

実験結果

リサーチクエスチョン

• RQ1 構造的グリッドを持たない非構造格子データセットに圧縮センシングを効果的に適用できるか。その結果、品質劣化を最小限に抑えつつ高い圧縮比を達成できるか。
• RQ2 複雑で不均一な幾何形状を持つ有限要素解析データに対して、2次世代ウェーブレット（SGW）とStOMPを用いた場合、どの程度の圧縮比と再構成誤差が達成できるか。
• RQ3 トランスジェントな温度場に局所的な勾配や不連続性が存在する場合、再構成精度と誤差ダイナミクスにどのような影響を与えるか。
• RQ4 シミュレーションコードを変更せずにイン・サイト圧縮をどの程度実現できるか。また、プロセッサごとの局所的圧縮が再構成忠実度に与える影響はいかほどか。
• RQ5 望ましい品質とパフォーマンスのトレードオフに基づき、圧縮後処理段階でウェーブレット基底と再構成パラメータを選択することで、インタラクティブでマルチスケールの再構成が可能か。

主な発見

• 中程度のサイズの非構造格子データセットに対して、本手法は10〜30の圧縮比を達成し、これらのレートでも視覚的劣化は最小限に抑えられる。
• 圧縮比10の場合、再構成された温度場は全プロセッサパーティションにおいて元のデータと視覚的に一致しており、強力な知覚的忠実度を示している。
• トランスジェントシミュレーションにおいて、時間経過とともに温度場が滑らかになるにつれて再構成誤差は減少し、勾配が減少する後期ステップで最小誤差が観察される。
• 高いウェーブレット次数（w=5）は滑らかな領域では再構成誤差を低減するが、初期段階の急峻な勾配に対して過適合を引き起こすため、誤差が増加する可能性がある。
• 非常に高いウェーブレット次数では誤差が飽和し、わずかに増加する傾向が観察され、分解能と不連続性へのロバストネスの間のトレードオフが明確に現れている。
• 局所的な勾配や不連続性は再構成品質に顕著な影響を与えるため、グローバルな滑らかさに加え、局所的なデータ複雑性を考慮した圧縮比推定が重要である。