과학 데이터의 연속 표현
과학 데이터의 해상도를 높일 때는 연속성, 여러 규모의 현상, 고주파 신호를 함께 다루어야 할 수 있다. 이 방법은 연산자 학습에 기반해 서로 다른 해상도에서 적용하는 초해상도를 제안한다. 출력 격자가 세밀해지는 것과 새 관측이 생기는 것은 다르다.
계층과 함수 공간
계층 신경 연산자에서 Galerkin 유형 자기 주의로 함수 공간 간 매핑을 학습한다. 계층 사이의 정보 전달에는 sinc 필터를 사용해 표현의 등가성을 유지하는 방향이다. 단순히 고정 배율의 픽셀 배열만 바꾸는 설명으로는 핵심을 담기 어렵다.
손실 기여의 적응 조절
입력 데이터의 주파수 재조정에서 얻은 학습 가능 사전 구조를 도입한다. 픽셀 기여의 가중치를 동적으로 바꾸어 기울기를 균형 있게 조절한다. 손실의 가중치와 최종 출력의 물리적 정확성을 같은 값으로 취급해서는 안 된다.
평가 범위의 독립 예
설명용으로 완만한 온도장 속 좁은 경계를 복원할 때 전체 평균 오차만 작아도 경계가 번질 수 있다. 영역별 오차와 보존해야 하는 물리량을 함께 확인할 필요가 있다. 실제 실험 결과를 인용하지 않은 과학 데이터 평가의 예다.
관련 문서
SRNO / LIIF / LMF 연속 이미지 표현 / LTE / Meta-SR / A-LIIF