[论文解读] 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 3

一句话总结

本论文提出使用第二代小波（SGW）与逐次正交匹配追踪（StOMP）的压缩感知（CS）方法，对有限元模拟中的无结构网格数据集进行有损压缩。该方法在压缩比10–30范围内实现极小的视觉失真，支持高效的数据现场存储与交互式重建，且无需修改仿真代码。

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.

研究动机与目标

• 应对海量模拟数据增长带来的挑战，即I/O与存储瓶颈阻碍了分析与可视化。
• 探索压缩感知（CS）作为一种非侵入性、低开销的方法，用于压缩有限元模拟中常见的无结构网格数据集。
• 将CS理论从结构化网格（如图像）扩展至无结构点云数据，如有限元网格。
• 通过在后处理阶段选择小波基与采样矩阵，实现在压缩数据上实现交互式、高质量的重建。
• 在保持视觉保真度并最小化重建误差的前提下，实现高分辨率压缩比，适用于不规则网格上的瞬态温度场。

提出的方法

• 通过在变换域中使用第二代小波（SGW）对无结构网格数据集应用压缩感知（CS），SGW特别适用于不规则几何形状与网格。
• 采用与SGW基不相干的随机采样矩阵（Φ），以确保受限等距性质（RIP），从而实现从压缩样本中稳定且唯一的重建。
• 将重建问题形式化为稀疏恢复问题：使用逐次正交匹配追踪（StOMP）算法求解 y = ΦΨs，以获得小波系数 s。
• 在并行模拟中，每个处理器本地执行压缩，避免进程间通信，从而实现高效的现场压缩。
• 通过在可视化工作站上组装各部分独立重建的结果，实现数据的重建，同时可通过选择小波阶数实现细节层次控制。
• 利用小波基矩阵 Ψ 与采样矩阵 Φ 定义系统 A = ΦΨ，其中通过求解 y = As 来从压缩测量值 y 恢复稀疏系数 s。

实验结果

研究问题

• RQ1 压缩感知能否有效应用于缺乏规则网格结构的无结构网格数据集，以实现高比率压缩且质量损失极小？
• RQ2 在具有复杂、异质几何形状的有限元模拟数据上，使用第二代小波（SGW）与StOMP可实现怎样的压缩比与重建误差？
• RQ3 瞬态温度场中局部梯度与不连续性如何影响重建精度与误差动态？
• RQ4 在不修改仿真代码的前提下，现场压缩的实现程度如何？每个处理器本地压缩对重建保真度有何影响？
• RQ5 能否通过在压缩后根据期望的质量与性能权衡，选择小波基与重建参数，实现交互式、多分辨率的重建？

主要发现

• 该方法在中等规模的无结构网格数据集上实现了10至30倍的压缩比，且在此压缩率下视觉失真极小。
• 在压缩比为10时，重建的温度场在所有处理器分区上均与原始数据视觉上高度一致，表明具有极强的感知保真度。
• 在瞬态模拟中，随着温度场逐渐平滑，重建误差随时间减小，后期时间步的误差最低，因梯度减少。
• 较高小波阶数（w=5）可降低平滑区域的重建误差，但可能因对尖锐梯度的过拟合而在早期时间点增加误差。
• 在极高小波阶数下观察到误差趋于饱和并略有上升，表明分辨率与对不连续性鲁棒性之间存在权衡。
• 局部梯度与不连续性显著影响重建质量，提示压缩比估算应同时考虑局部数据复杂度与全局平滑度。