Vector Field Synthesis with Sparse Streamlines Using Diffusion Model

1. Il Problema

La sintesi di campi vettoriali è fondamentale per comprendere sistemi dinamici complessi (come la turbolenza) in ricerca scientifica e ingegneria. Tuttavia, le tecniche esistenti presentano limitazioni significative:

• Metodi basati sull'ottimizzazione: Le tecniche tradizionali formulano il problema come un'ottimizzazione vincolata (es. minimizzazione dell'energia). Sebbene producano campi lisci, spesso non garantiscono l'autenticità fisica e tendono a generare pattern eccessivamente semplificati nelle regioni non vincolate, fallendo nel catturare strutture complesse come vortici o turbolenze.
• Differenza con la ricostruzione: A differenza della ricostruzione o dell'upsampling (che partono da dati reali a bassa risoluzione o hanno un "ground truth" noto), la sintesi deve generare nuovi campi da vincoli sparsi (linee di flusso) senza avere un riferimento completo. I vincoli di input sono spesso molto diversi tra loro e sparsi.
• Necessità di controllo: Gli esperti necessitano di un framework che permetta un controllo diretto sulle caratteristiche del flusso, riducendo la complessità causata da feature indesiderate, mantenendo al contempo la plausibilità fisica.

2. Metodologia

Gli autori propongono un framework basato su modelli di diffusione (Diffusion Models) per sintetizzare campi vettoriali 2D partendo da input sparsi e coerenti (linee di flusso).

Architettura del Modello

• Modello Condizionato: Viene utilizzato un modello probabilistico di diffusione denoising (DDPM) condizionato.
• UNet2D: L'architettura di base è una UNet2D adattata per dati vettoriali, con 4 canali di input (2 per le componenti del campo vettoriale rumoroso e 2 per la maschera) e 2 canali di output (il rumore predetto).
• Processo di Diffusione: Il processo forward aggiunge rumore gradualmente secondo una schedula $\beta_t$, trasformando campi vettoriali lisci in versioni rumorose, ma preservando i valori noti lungo le linee di flusso.

Meccanismi Chiave

1. Guidance Senza Classificatore (Classifier-Free Guidance - CFG):

   • Il modello addestra due percorsi paralleli: uno condizionato (con la maschera delle linee di flusso) e uno incondizionato (senza maschera).
   • Durante l'inferenza, le uscite sono combinate tramite la formula: $\hat{\varepsilon}_{CFG} = \hat{\varepsilon}_{uncond} + w \cdot (\hat{\varepsilon}_{cond} - \hat{\varepsilon}_{uncond})$.
   • Il parametro $w$ bilancia l'aderenza ai vincoli geometrici (linee di flusso) e la diversità/plausibilità fisica. Un valore di $w=3.0$ è stato trovato ottimale.

2. Addestramento Vincolato alle Linee di Flusso (Streamline-Constrained Training):

   • A differenza dei metodi precedenti che denoisono campioni completamente rumorosi, questo metodo preserva i valori vettoriali reali lungo le linee di flusso durante tutto il processo di addestramento.
   • Viene applicato rumore solo nelle regioni non osservate.
   • La funzione di perdita (Loss) è calcolata solo nelle regioni sconosciute (mascherate da $1-M$), insegnando al modello a generare valori fisicamente plausibili dove non ci sono dati, rispettando al contempo i dati noti.

3. Processo di Inferenza:

   • Si inizia con una maschera delle linee di flusso note e valori vettoriali fissi.
   • Le regioni sconosciute sono inizializzate con rumore casuale.
   • Attraverso passaggi iterativi di denoising guidati dal CFG, il modello ricostruisce il campo completo mantenendo fissi i valori osservati.

3. Contributi Chiave

• Nuovo Framework di Sintesi: Introduzione del primo approccio basato su modelli di diffusione per la sintesi di campi vettoriali da input sparsi, superando i limiti dei metodi basati sull'ottimizzazione energetica.
• Plausibilità Fisica: Il modello impara la distribuzione sottostante dei campi vettoriali fisicamente plausibili dai dati di addestramento, permettendo di generare strutture complesse (vortici, turbolenze) anche in regioni lontane dalle osservazioni.
• Flessibilità e Controllo: Grazie al CFG, gli utenti possono controllare il grado di aderenza ai vincoli rispetto alla diversità del flusso generato.
• Adattamento ai Dati Sparsi: A differenza dei metodi di super-risoluzione che richiedono input distribuiti uniformemente, questo metodo gestisce nativamente vincoli sparsi e irregolari tipici delle linee di flusso.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su tre dataset:

1. Flusso Sintetico: Campi vettoriali con confini di vortice noti.
2. Dati del Mar Rosso: Campi di flusso oceanografico 3D (estratti in 2D) da modelli di circolazione generale.
3. Dati CFD (Kolmogorov): Simulazioni di flusso turbolento incompressibile.

Confronto con la Baseline (SVD - Streamline Vector Diffusion):

• Qualitativo: Il modello proposto cattura efficacemente pattern complessi (vortici, strutture eddies, turbolenza) che il metodo SVD tende a "smussare" eccessivamente, producendo campi troppo semplici nelle regioni non vincolate.
• Quantitativo: Il modello supera costantemente la baseline in tutte le metriche:
  • MSE (Errore Quadratico Medio): Significativamente più basso (es. 0.000610 vs 0.005075 sul dataset sintetico).
  • Errore Angolare: Migliore accuratezza direzionale.
  • Errore Fisico: Riduzione drastica degli errori di rotore (curl) e divergenza, indicando una migliore conservazione delle proprietà fisiche fondamentali del flusso.
• Sintesi da Schizzi: Il sistema è stato testato con linee di flusso disegnate a mano, dimostrando capacità di interpretare l'intento dell'utente (es. creare due vortici distinti da una linea a S) generando campi naturali e fisicamente coerenti.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo avanti significativo nella visualizzazione scientifica e nella simulazione computazionale:

• Superamento dei Limiti Fisici: Dimostra che i modelli generativi possono essere vincolati a rispettare leggi fisiche (conservazione di massa, momento) meglio dei metodi di ottimizzazione classica.
• Interattività: Abilita nuovi flussi di lavoro interattivi dove gli esperti possono disegnare vincoli approssimativi e ottenere immediatamente un campo vettoriale completo e fisicamente realistico.
• Versatilità: L'approccio è applicabile a diversi tipi di flussi (oceanografici, aerodinamici, turbolenti) senza bisogno di riscrivere le equazioni fisiche per ogni caso specifico, poiché le leggi fisiche sono apprese dai dati.

Limitazioni e Lavori Futuri:
Il metodo richiede risorse computazionali maggiori per l'addestramento rispetto all'ottimizzazione classica e il processo di inferenza iterativo può essere lento. Le sfide future includono l'estensione a 3D, l'integrazione di vincoli fisici espliciti e il supporto per la progettazione interattiva in tempo reale.