一种时变体数据的超分辨率生成器的训练方法技术

本发明专利技术涉及一种时变体数据的超分辨率生成器的训练方法，包括步骤：S1、得到原始体数据；S2、进行裁剪以得到真实高分辨率体数据；S3、进行三线性下采样以得到真实低分辨率体数据；S4、在通道维度进行拼接以得到第一拼接体数据并输入生成器，以生成伪造高分辨率体数据；S5、将真实高分辨率体数据、伪造高分辨率体数据分别与尺寸调整后的真实低分辨率体数据在通道维度上进行拼接，以分别得到第二拼接体数据、第三拼接体数据，并输入鉴别器，以分别得到第一预测矩阵、第二预测矩阵；S6、基于上述体数据、预测矩阵对生成器、鉴别器进行训练；S7、重复步骤S1

【技术实现步骤摘要】
一种时变体数据的超分辨率生成器的训练方法


[0001]本专利技术属于超分辨率重建
，具体涉及一种时变体数据的超分辨率生成器的训练方法。

技术介绍

[0002]时变体数据往往会在科学模拟中产生以应用于各种研究，如天气预报、计算流体力学、燃烧科学、计算宇宙学、气候模式研究等。这些时变体数据通常含有复杂且大规模的特征，需要应用到原位可视化的技术。
[0003]原位可视化意为在模拟期间先减少特征数据以降低读写与存储的压力，而在分析与可视化的后处理阶段再将数据进行上采样。上采样技术，即超分辨率，在原位可视化中扮演着举足轻重的作用。
[0004]尽管已有繁多的上采样技术被提出，但这些研究却很少聚焦于时变体数据。换句话说，给定一组低分辨率的时变体数据序列，我们要将其映射成高分辨率的时变体数据序列，这带来了两个挑战，相比于过去的技术而言，时变体数据的时间相干性必须被纳入考虑范围，再者，相比于传统的方法，我们的方法要实现更好的视觉效果。

技术实现思路

[0005]针对现有技术中存在的上述问题，本专利技术提出一种时变体数据的超分辨率生成器的训练方法，通过设置一鉴别器，并通过鉴别器与生成器的互相对抗来训练超分辨率生成器，以得到时变体数据超分辨率生成效果好的生成器，为天气预报、计算流体力学、燃烧科学、计算宇宙学、气候模式研究奠定基础。
[0006]本专利技术采用以下技术方案：
[0007]一种时变体数据的超分辨率生成器的训练方法，包括步骤：
[0008]S1、在训练集中选取多个时间步连续的时变体数据，以得到原始体数据；
[0009]S2、对原始体数据进行裁剪，以得到真实高分辨率体数据；
[0010]S3、对真实高分辨率体数据进行三线性下采样，以得到真实低分辨率体数据；
[0011]S4、将真实低分辨率体数据在通道维度进行拼接，以得到第一拼接体数据并输入生成器，以生成伪造高分辨率体数据；
[0012]S5、将真实高分辨率体数据、伪造高分辨率体数据分别与尺寸调整后的真实低分辨率体数据在通道维度上进行拼接，以分别得到第二拼接体数据、第三拼接体数据，并输入鉴别器，以分别得到第一预测矩阵、第二预测矩阵；
[0013]S6、基于真实高分辨率体数据、伪造高分辨率体数据、第二预测矩阵以及第二拼接体数据在鉴别器中的中间特征、第三拼接体数据在鉴别器中的中间特征计算生成器训练损失函数值，基于第一预测矩阵、第二预测矩阵计算鉴别器训练损失函数值；
[0014]S7、基于生成器训练损失函数值对生成器进行训练，以得到训练后生成器，基于鉴别器训练损失函数值对鉴别器进行训练，以得到训练后鉴别器；
[0015]S8、重复步骤S1
‑
S7，直至预设迭代次数。
[0016]作为优选方案，步骤S1具体为：在训练集中选取3个时间步连续的时变体数据，以得到原始体数据。
[0017]作为优选方案，步骤S2具体为：对原始体数据中的每个数据在相同位置处进行裁剪，以得到真实高分辨率体数据。
[0018]作为优选方案，步骤S4中所述生成器包括第一编码器、解码器，第一编码器包括依次相连的第一编码块、第二编码块，解码器包括依次相连的第一解码块、第二解码块、第三解码块、第四解码块，第二编码块与第一解码块连接；
[0019]编码器与解码器之间形成有多个跳跃链接，以使在第一编码器中流失的早期特征流入解码块中。
[0020]作为优选方案，步骤S5中所述鉴别器包括第二编码器，第二编码器包括依次连接的第三编码块、第四编码块、第五编码块。
[0021]作为优选方案，步骤S6中所述生成器训练损失函数值的计算公式为：
[0022]L(θ
G
)＝λ
adv
×
L
adv
+λ
voxdis
×
L
voxdis
+λ
featdis
×
L
featdis
，
[0023]其中，L
adv
表示对抗性损失，L
adv
基于第二预测矩阵计算得到；L
voxdis
表示体素距离损失，L
voxdis
基于真实高分辨率体数据、伪造高分辨率体数据计算得到；L
featdis
表示特征损失，L
featdis
基于第二拼接体数据、第三拼接体数据在鉴别器中的中间特征计算得到；λ
adv
、λ
voxdis
、λ
featdis
分别为L
adv
、L
voxdis
、L
voxdis
的权重。
[0024]作为优选方案，对抗性损失L
adv
的计算公式为：
[0025][0026]其中，BCE表示二分类交叉熵损失，D表示鉴别器，G表示生成器，表示真实低分辨率体数据，表示通道拼接，R表示修正尺寸操作，表示第二预测矩阵，1表示值均为1的矩阵。
[0027]作为优选方案，体素距离损失L
voxdis
的计算公式为：
[0028][0029]其中，||
·
||
L1
表示L1损失，表示真实高分辨率体数据，表示伪造高分辨率体数据。
[0030]作为优选方案，特征损失L
featdis
的计算公式为：
[0031][0032]其中，MSE代表平均方差损失，分别表示第二拼接数据、第三拼接数据在鉴别器中第l层的中间特征。
[0033]作为优选方案，步骤S6中所述鉴别器训练损失函数值的计算公式为；
[0034][0035]其中，BCE表示二分类交叉熵损失，D表示鉴别器，G表示生成器，表示真实低分辨率体数据，表示通道拼接，R表示修正尺寸操作，表示第二预测矩阵，0表示值均为0的矩阵，表示真实高分辨率体数据，表示第一预测矩阵。
[0036]本专利技术的有益效果是：
[0037]通过设置一鉴别器，并通过鉴别器与生成器的互相对抗来训练超分辨率生成器，以得到时变体数据超分辨率生成效果好的生成器，为天气预报、计算流体力学、燃烧科学、计算宇宙学、气候模式研究奠定基础。
附图说明
[0038]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]图1是本专利技术所述一种时变体数据的超分辨率生成器的训练方法的流程图；
[0040]图2是本专利技术所述生成器的结构示意图；
[0041]图3是本专利技术所述解码器的结构示意图；
[0042]图4是利用本专利技术所述训练方法训练后的生成器对Squa本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时变体数据的超分辨率生成器的训练方法，其特征在于，包括步骤：S1、在训练集中选取多个时间步连续的时变体数据，以得到原始体数据；S2、对原始体数据进行裁剪，以得到真实高分辨率体数据；S3、对真实高分辨率体数据进行三线性下采样，以得到真实低分辨率体数据；S4、将真实低分辨率体数据在通道维度进行拼接，以得到第一拼接体数据并输入生成器，以生成伪造高分辨率体数据；S5、将真实高分辨率体数据、伪造高分辨率体数据分别与尺寸调整后的真实低分辨率体数据在通道维度上进行拼接，以分别得到第二拼接体数据、第三拼接体数据，并输入鉴别器，以分别得到第一预测矩阵、第二预测矩阵；S6、基于真实高分辨率体数据、伪造高分辨率体数据、第二预测矩阵以及第二拼接体数据在鉴别器中的中间特征、第三拼接体数据在鉴别器中的中间特征计算生成器训练损失函数值，基于第一预测矩阵、第二预测矩阵计算鉴别器训练损失函数值；S7、基于生成器训练损失函数值对生成器进行训练，以得到训练后生成器，基于鉴别器训练损失函数值对鉴别器进行训练，以得到训练后鉴别器；S8、重复步骤S1
‑
S7，直至预设迭代次数。2.根据权利要求1所述的一种时变体数据的超分辨率生成器的训练方法，其特征在于，步骤S1具体为：在训练集中选取3个时间步连续的时变体数据，以得到原始体数据。3.根据权利要求1所述的一种时变体数据的超分辨率生成器的训练方法，其特征在于，步骤S2具体为：对原始体数据中的每个数据在相同位置处进行裁剪，以得到真实高分辨率体数据。4.根据权利要求1所述的一种时变体数据的超分辨率生成器的训练方法，其特征在于，步骤S4中所述生成器包括第一编码器、解码器，第一编码器包括依次相连的第一编码块、第二编码块，解码器包括依次相连的第一解码块、第二解码块、第三解码块、第四解码块，第二编码块与第一解码块连接；编码器与解码器之间形成有多个跳跃链接，以使在第一编码器中流失的早期特征流入解码块中。5.根据权利要求4所述的一种时变体数据的超分辨率生成器的训练方法，其特征在于，步骤S5中所述鉴别器包括第二编码器，第二编码器包括依次连接的第三编码块、第四编码块、第五编码块。6.根据权利要求1所述的一种时变体数据的超分辨率生成器的训练方法，其特征在于，步骤S6中所述生成器训练损失函数值的计算公式为：L(θ
G
)＝λ
adv
×
L
adv
+λ...

【专利技术属性】
技术研发人员：陈金金，
申请(专利权)人：浙江传媒学院，
类型：发明
国别省市：