ترجمه فارسی مقاله تجسم حجم آگاه از عدم اطمینان با استفاده از بازنمایی عصبی ضمنی

چکیده

The increasing adoption of Deep Neural Networks (DNNs) has led to their application in many challenging scientific visualization tasks. While advanced DNNs offer impressive generalization capabilities, understanding factors such as model prediction quality, robustness, and uncertainty is crucial. These insights can enable domain scientists to make informed decisions about their data. However, DNNs inherently lack ability to estimate prediction uncertainty, necessitating new research to construct robust uncertainty-aware visualization techniques tailored for various visualization tasks. In this work, we propose uncertainty-aware implicit neural representations to model scalar field data sets effectively and comprehensively study the efficacy and benefits of estimated uncertainty information for volume visualization tasks. We evaluate the effectiveness of two principled deep uncertainty estimation techniques: (1) Deep Ensemble and (2) Monte Carlo Dropout (MCDropout). These techniques enable uncertainty-informed volume visualization in scalar field data sets. Our extensive exploration across multiple data sets demonstrates that uncertainty-aware models produce informative volume visualization results. Moreover, integrating prediction uncertainty enhances the trustworthiness of our DNN model, making it suitable for robustly analyzing and visualizing real-world scientific volumetric data sets.

چکیده به فارسی (ترجمه ماشینی)

اتخاذ روزافزون شبکه های عصبی عمیق (DNN) منجر به کاربرد آنها در بسیاری از کارهای تجسم علمی چالش برانگیز شده است.در حالی که DNN های پیشرفته قابلیت های عمومی سازی چشمگیر را ارائه می دهند ، عوامل درک مانند کیفیت پیش بینی مدل ، استحکام و عدم اطمینان بسیار مهم است.این بینش ها می تواند دانشمندان دامنه را قادر به تصمیم گیری آگاهانه در مورد داده های خود کند.با این حال ، DNN ها ذاتاً توانایی تخمین عدم اطمینان پیش بینی را ندارند ، و نیاز به تحقیقات جدید برای ساخت تکنیک های تجسم عدم اطمینان قوی متناسب با کارهای مختلف تجسم دارند.در این کار ، ما بازنمودهای عصبی ضمنی آگاه از عدم اطمینان را برای مدل سازی مجموعه داده های میدانی مقیاس به طور مؤثر و جامع مطالعه اثربخشی و مزایای اطلاعات عدم اطمینان تخمین زده شده برای کارهای تجسم حجم پیشنهاد می کنیم.ما اثربخشی دو تکنیک برآورد عدم اطمینان عمیق اصولی را ارزیابی می کنیم: (1) گروه های عمیق و (2) مونت کارلو ترک (McDropout).این تکنیک ها تجسم حجم آگاه از عدم اطمینان را در مجموعه داده های میدان مقیاس پذیر می کنند.اکتشاف گسترده ما در مجموعه های مختلف داده نشان می دهد که مدل های آگاه از عدم اطمینان نتایج تجسم حجم آموزنده را تولید می کنند.علاوه بر این ، ادغام عدم اطمینان پیش بینی باعث افزایش اعتماد به نفس مدل DNN ما می شود و آن را برای تجزیه و تحلیل محکم و تجسم مجموعه داده های حجمی علمی در دنیای واقعی مناسب می کند.