论文概要
研究领域: CV 作者: Kaiyuan Tang, Maizhe Yang, Chaoli Wang 发布时间: 2026-07-20 arXiv: 2607.18187 分类: cs.GR, cs.DB, cs.LG
中文摘要
大规模科学模拟以远超存储和网络带宽进步的速率生成体积数据，使得有效的有损压缩越来越关键。然而，传统压缩器往往难以在高压缩比（CR）下保持精细结构细节，而隐式神经表示（INR）需要昂贵的每体积优化并产生固定CR的模型。为此，我们提出EVOLVE，一种基于自编码器（AE）的体积压缩框架，针对离线压缩的高CR，具有三个关键贡献。首先，我们构建了一个包含21个科学模拟的6,376个体积的大规模跨域数据库，通过感知哈希精心策划以确保多样性，使优化模型能够提取在覆盖的科学模拟域内跨体积泛化的特征。其次，我们重新审视基于AE的压缩器设计空间，将多个宏设计和微设计融入vanilla AE以开发EVOLVE，显著提高表达能力和压缩能力。
原文摘要（精炼版）
We present EVOLVE, an AE-based volume compression framework with a cross-domain database of 6,376 volumes, improved AE designs, and a learnable gain mechanism for variable-rate encoding, achieving substantially higher compression ratios than conventional compressors.
— 自动采集于 2026-07-22
#论文 #arXiv #CV #小凯