Visualisation volumique informée par l'incertitude utilisant la représentation neurale implicite

L'adoption croissante des réseaux de neurones profonds (DNN) a conduit à leur application dans de nombreuses tâches de visualisation scientifique difficiles. Bien que les DNN avancés offrent des capacités de généralisation impressionnantes, comprendre des facteurs tels que la qualité de prédiction du modèle, la robustesse et l'incertitude est crucial. Ces informations peuvent permettre aux scientifiques de domaine de prendre des décisions éclairées sur leurs données. Cependant, les DNN manquent intrinsèquement de la capacité à estimer l'incertitude de prédiction, nécessitant de nouvelles recherches pour construire des techniques de visualisation robustes conscientes de l'incertitude, adaptées à diverses tâches de visualisation. Dans ce travail, nous proposons des représentations neurales implicites sensibles à l'incertitude pour modéliser efficacement des ensembles de données de champs scalaires et étudier de manière approfondie l'efficacité et les avantages des informations sur l'incertitude estimée pour les tâches de visualisation volumique. Nous évaluons l'efficacité de deux techniques principled d'estimation d'incertitude profonde : (1) Deep Ensemble et (2) Monte Carlo Dropout (MCDropout). Ces techniques permettent une visualisation volumique informée par l'incertitude dans des ensembles de données de champs scalaires. Notre exploration approfondie à travers plusieurs ensembles de données démontre que les modèles sensibles à l'incertitude produisent des résultats de visualisation volumique informatifs. De plus, l'intégration de l'incertitude de prédiction renforce la fiabilité de notre modèle DNN, le rendant adapté à l'analyse et à la visualisation robustes d'ensembles de données volumétriques scientifiques du monde réel.