Neues Paradigma: DRR beschleunigt Implicit Neural Fields um 27×

Implicit Neural Representations (INRs) haben sich als vielversprechende Ersatzmodelle für umfangreiche 3D‑Simulationen etabliert, weil sie räumliche und konditionale Felder kontinuierlich abbilden können. Das Problem: tiefe MLP‑Netze liefern zwar hohe Genauigkeit, sind aber bei der Inferenz zu langsam, während kompakte, embeddingbasierte Modelle zwar schnell sind, aber an Ausdruckskraft verlieren.

Um dieses Dilemma zu lösen, wurde das Decoupled Representation Refinement (DRR) vorgestellt. Dabei wird ein tiefes Refiner‑Netz zusammen mit nicht‑parametrischen Transformationen einmalig offline trainiert, um reichhaltige Darstellungen in ein kompaktes, effizientes Embedding zu kodieren. Dadurch wird die schwere, hochfähige Netzarchitektur von dem schnellen Inferenzpfad getrennt.

Die praktische Umsetzung erfolgt in DRR‑Net, einem einfachen Netzwerk, das das Paradigma bestätigt. Zusätzlich wurde die neue Datenaugmentationsstrategie Variational Pairs (VP) entwickelt, die INRs bei komplexen Aufgaben wie hochdimensionalen Surrogaten weiter verbessert.

Experimentelle Tests an mehreren Ensemble‑Simulationsdatensätzen zeigen, dass DRR die aktuelle Spitzenleistung in Bezug auf Genauigkeit erreicht und gleichzeitig bis zu 27‑mal schneller bei der Inferenz ist als hochpräzise Baselines. Gleichzeitig bleibt es mit den schnellsten Modellen konkurrenzfähig. Das DRR‑Paradigma bietet damit einen effektiven Weg, leistungsstarke und praxisnahe neural field Surrogates zu bauen, ohne dabei Geschwindigkeit und Qualität zu stark zu vernachlässigen.