[논문 리뷰] Compressed Sensing and Reconstruction of Unstructured Mesh Datasets

Maher Salloum, Nathan Fabian외 2명|arXiv (Cornell University)|2015. 08. 25.

Sparse and Compressive Sensing Techniques참고 문헌 13인용 수 3

한 줄 요약

이 논문은 유한요소 시뮬레이션에서 유도된 비정형 메쉬 데이터셋에 대해 압축 센싱(Compressive Sensing, CS)을 제2세대 웨이브릿(Second-Generation Wavelets, SGW)과 단계적 수직 매칭 추적(Stagewise Orthogonal Matching Pursuit, StOMP)을 사용하여 손실 압축하는 방법을 제안한다. 최소한의 시각적 열화로 10–30배의 압축 비율을 달성하여 시뮬레이션 코드를 수정하지 않고도 효율적인 인-사이트 저장 및 상호작용 가능한 재구성 가능성을 제공한다.

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.

연구 동기 및 목표

• I/O 및 저장소 병목 현상으로 인해 분석과 시각화가 어려운 엑사스케일 시뮬레이션 데이터 증가 문제를 해결한다.
• 유한요소 시뮬레이션에서 흔히 사용되는 비정형 메쉬 데이터셋을 압축하기 위해 비침습적이고 저비용인 압축 센싱(Compressive Sensing, CS) 기법을 탐색한다.
• 이미지와 같은 정형 격자에서의 CS 이론을 비정형 점군 데이터(예: 유한요소 메쉬)로 확장한다.
• 후처리 단계에서 웨이브릿 기저와 샘플링 행렬을 선택하여 압축된 데이터의 상호작용적이고 고품질의 재구성을 가능하게 한다.
• 정규화되지 않은 메쉬에서의 일시적 온도장에 대해 높은 압축 비율을 유지하면서도 시각적 정확도를 확보하고 재구성 오차를 최소화한다.

제안 방법

• 비정형 메쉬 데이터셋에 대해 제2세대 웨이브릿(Second-Generation Wavelets, SGW)을 사용하여 변환 도메인에서 샘플링을 적용함으로써 압축 센싱(Compressive Sensing, CS)을 적용한다. SGW는 비정형 기하학성과 메쉬에 매우 적합하다.
• SGW 기저와 비결합되는 무작위 샘플링 행렬(Φ)을 사용하여 제한된 이소메트릭 성질(Restricted Isometry Property, RIP)을 확보함으로써 압축 샘플에서 안정적이고 유일한 재구성을 가능하게 한다.
• 재구성을 희박 복구 문제로 공식화함: Stagewise Orthogonal Matching Pursuit(StOMP) 알고리즘을 사용하여 y = ΦΨs에서 웨이브릿 계수 s를 복구한다.
• 병렬 시뮬레이션에서 각 프로세서에서 국소적으로 압축을 수행함으로써 프로세서 간 통신을 피하고 효율적인 인-사이트 압축을 가능하게 한다.
• 재구성된 부분들을 시각화 워크스테이션에서 조립하여 웨이브릿 순서 선택을 통해 수준별 제어가 가능한 전체 데이터셋을 재구성한다.
• 웨이브릿 기저 행렬 Ψ와 샘플링 행렬 Φ를 사용하여 A = ΦΨ로 시스템을 정의하고, y = As에서 압축 측정값 y로부터 희박 계수 s를 복구한다.

실험 결과

연구 질문

• RQ1 정규 격자 구조가 없는 비정형 메쉬 데이터셋에 대해 압축 센싱을 효과적으로 적용할 수 있으며, 높은 압축 비율과 최소한의 품질 손실을 달성할 수 있는가?
• RQ2 복잡하고 이질적인 기하학을 가진 유한요소 시뮬레이션 데이터에 대해 제2세대 웨이브릿(SGW)과 StOMP를 사용할 경우 도달할 수 있는 압축 비율과 재구성 오차는 어떠한가?
• RQ3 일시적 온도장의 국소적 기울기와 불연속성 존재가 재구성 정확도 및 오차 동역학에 어떤 영향을 미치는가?
• RQ4 시뮬레이션 코드를 수정하지 않고도 어느 정도까지 인-사이트 압축을 수행할 수 있으며, 각 프로세서별 국소 압축이 재구성 정밀도에 어떤 영향을 미치는가?
• RQ5 원하는 품질과 성능의 상호보완적 조건을 고려해 압축 후에 웨이브릿 기저 및 재구성 파rameter를 선택함으로써 상호작용적이고 다중 해상도의 재구성을 달성할 수 있는가?

주요 결과

• 중간 크기의 비정형 메쉬 데이터셋에서 이 방법은 10에서 30 사이의 압축 비율을 달성하며, 이 비율에서 시각적 열화가 최소한이다.
• 압축 비율 10일 경우, 재구성된 온도장은 모든 프로세서 파artition에서 원본 데이터와 시각적으로 유사함을 보이며, 강력한 인지적 정밀도를 나타낸다.
• 일시적 시뮬레이션에서 시간이 지남에 따라 온도장이 매끄러워지므로 재구성 오차는 감소하며, 기울기가 감소한 후기 단계에서 가장 낮은 오차를 기록한다.
• 높은 웨이브릿 순서(w=5)는 더 매끄러운 영역에서 재구성 오차를 감소시키지만, 초기 단계에서 급격한 기울기를 과적합함으로써 오차를 증가시킬 수 있다.
• 매우 높은 웨이브릿 순서에서 오차가 포화 상태에 도달하고 약간 증가하는 경향을 보이며, 해상도와 불연속성에 대한 강건성 사이의 상충 관계를 나타낸다.
• 국소적 기울기와 불연속성은 재구성 품질에 상당한 영향을 미치므로, 압축 비율 추정 시 전반적인 매끄러움 외에도 국소 데이터 복잡도를 고려해야 한다.