【成果推荐】基于多分辨率 GAN 的空间数据不确定性重建方法- 大数跨境

科技牛咨讯

2023-12-28

导读：【成果推荐】基于多分辨率 GAN 的空间数据不确定性重建方法

01 项目简介

重建大范围真实有效的空间数据比较困难，主要原因在于科学实验和勘探开发费用高。目前，数据插值是重建空间数据的一个有效手段。插值方法分为“确定”性插值方法和“不确定”性插值方法。不确定性插值方法主要包括克里金 (Kriging) 方法和随机模拟方法。多点信息统计法 (MPS, multiple-point statistics) 是目前随机模拟的主流，其特点是基于训练图像 (TI, training image)进行建模。近年来，MPS 得到了广泛应用并发展了一些变体，如 SNESIM、FILTERSIM、DS、CCSIM 等，但是这些方法耗时较长且对硬件要求较高。作为机器学习研究的新领域，深度学习建立了一个可以模拟人脑进行分析学习的神经网络，在语音识别、计算机视觉、自然语言处理等方面得到广泛应用。同时深度学习产生了若干分支，其中之一是生成对抗性网络（GANs， generating adversarial networks）。GANs 包含一个生成网络 G(Generator) 和一个判别网络 D(Discriminator)，通过 G 和 D 的对峙来调整 G 的框架，学习图像特征。本次成果提出一种基于多分辨率生成对抗网络的空间数据重建方法 multi-GAN，这是一个由完全卷积的 GANs 金字塔组成的模型，每层 GANs 学习对应尺度图像的特征，从而实现对空间数据全局和局部特征的获取，完成空间数据的重构。

使用到的金字塔结构如图 1 所示。在这个模型中，训练和重建是沿着从低到高的分辨率进行的，即从粗糙到精细的尺度进行。在最粗糙的尺度（即尺度 N），输入仅是噪声 zN，生成器 GN 通过判别器 DN 对其进行训练，学习相应尺度的真实图像 xN 中的数据分布，得到图像样本_XN 。在 N-1 尺度，输入数据由噪声 zN-1 和上一个尺度生成的图像样本的上采样_XN^↑组合而成，通过 GN-1 生成分辨率稍高一点的图像样本_XN_{- 1}，这个尺度比 N 尺度捕捉到的结构特征范围小，但比 N 尺度的结构特征更细节。以同样的方式，训练向更精细尺度推进，直到最精细尺度（即尺度 0），模型的整个训练过程结束。模型的重建过程与训练过程同理。