本研究提出了一种新的数据驱动算法来综合高分辨率流动模拟,并利用可重复使用的空间时间流数据仓库。
May, 2017
本文提出一种交互式控制静态图像中流体元素动画制作生成 cinemagraphs 的方法,通过允许用户提供方向、速度和蒙版等信息生成密集的光流图,进而使用生成对抗网络和 UNet 模型进行流畅的动画帧生成,取得了优于基线的质量和量化指标。
Dec, 2021
本文提出了一种方法,通过利用流体的 Navier-Stokes 方程作为答案进行稀疏视频的端到端优化,实现通过 RGB 视频的高保真流体重构。
Jun, 2022
提出了一种新颖的变形感知神经网络方法,用于学习密集体积变形场的加权合成,特别针对液体模拟的时空表征,成功地实现了实时流体效果的移动端交互。
Apr, 2017
该研究论文报道了一种利用稀疏点匹配进行场景流估计的方法,通过边缘信息实现保持几何和运动边界的稠密插值,并进行变分能量最小化迭代优化,最终在 KITTI 基准数据集上得到了优秀的表现,可用于汽车场景下的静态与动态部分的分割。
Oct, 2017
本文介绍了 ScalarFlow,这是第一个大规模真实烟雾柱重建数据集。我们提出了一个准确的物理基础重建框架,其中包括估计难以观测的流入区域和一种有效的规则化方法。我们的数据集包含复杂和自然的自然驱动流,并演变至湍流,并包含可观测的标量传输过程。因此,ScalarFlow 数据集适用于计算机图形,视觉和学习应用。我们进一步展示了许多潜在应用领域之一:第一种感知评估研究,这表明捕获流的复杂性要求规则求解器进行巨大的仿真分辨率,以至少重新创建包含在捕获数据中的自然复杂性的一部分。
Nov, 2020
基于机器学习的数据驱动方法在流体力学中提出了一种新的解决方案,通过通过在连续的空间和时间域中进行预测和插值来解决传统方法中的固定支持计算和预测的缺点。
Jan, 2024
该研究提出一种新的用于光流估计的方法,该方法在稀疏点集和稠密匹配初始化的基础上,采用边界保存插值进行密集匹配,从而使用变分能量最小化获得光流估计,并经过 MPI-Sintel、Kitti 和 Middlebury 数据集的验证,具有较快速度和鲁棒性。
Jan, 2015
利用物理动画、三维高斯点喷涂(3DGS)与基于位置的动力学(PBD)相结合的方法,创建具有非凡效果的虚拟场景重建。通过增强高斯核并与表面法向对齐,实现实时渲染、视角合成以及对固体和流体的动力学模拟。具备物理可行性的渲染和动态表面反射在流体上,产生真实的表面亮点,促进场景物体与流体之间的交互。
本文提出了 FlowFields ++ 算法,通过结合 Flow Fields 的准确匹配和稳健的插值方法,以及改进的变分优化作为后处理,针对稀疏匹配的准确性和插值方面的不足进行了改进,并在公开测试数据集 KITTI 和 MPI Sintel 上均取得了最佳的效果。
May, 2018