本研究介绍了一种能够从降维参数集合综合流体模拟的新型生成模型,采用卷积神经网络进行训练,通过学习数据的代表性特征,能够对训练数据集进行精确近似而同时提供可信的插值。该模型经过优化,实现了全时刻无发散,能够处理复杂参数化并通过潜在空间积分进一步模拟。其模型包括多种流体行为,可用于模拟加速、流体插值、时间重采样、潜在空间模拟及流体模拟数据压缩,重建速度场比外部 CPU 求解器重复模拟节省 700 倍时间,压缩率达到 1300 倍以上。
Jun, 2018
本文介绍了一种基于深度学习的方法,用于计算混合现实中用户实时交互引起的(可能是非线性和耗散性的)可变形物体的动态响应,以保证虚拟世界的正确性和真实性。两个具体示例证明了该方法的高效性。
Oct, 2022
本文提出了基于 3D-PhysNet 框架的物理建模方法,可以对三维物体在外力作用下的变形进行快速预测,并具有材料属性的泛化性,并且通过深度变分自编码器结合敌对训练的方式进行了材料属性的编码,以及通过级联结构对部分视图下的物体变形进行预测。
Apr, 2018
本文提出了一种新的基于数据驱动的方法,使用神经网络模拟液体模拟中的小尺度跳跃细节。使用物理参数化高分辨率模拟的训练数据,利用神经网络模拟分类器和速度调节器来回归跳跃形成。通过使用异方差模型对速度进行修改,我们证明了此方法在提高视觉保真度方面具有显著的效果,比更细的离散化更高效地产生跳跃细节。
Apr, 2017
机器人学中,通过物理编码的图神经网络,建模刚性网格与可变形网格间的动力学关系,以精确理解接触过程中的物体变形,推动机器人模拟与抓取研究的进展。
Feb, 2024
提出一种创新的基于注意力的双通道网络方法,通过使用双通道架构和注意力特征融合模块,实现对三维流体模拟的精确预测和流体 - 固体耦合问题的优化。
Dec, 2023
本文提出一种使用深度神经网络建模变形图表达非刚性物体的全局一致变形跟踪和三维重建方法,能够在快速运动或时间不连续记录的情况下实现稳健的跟踪,并在明确的视点一致性和图形表面一致性约束下全局优化神经变形图进行自监督训练,同时利用隐式多层感知器形态表示对物体的形状进行优化,实验表明其效果优于现有的非刚性重建方法。
Dec, 2020
介绍了一种将烟雾和液体模拟进行数据驱动流体模拟的新方法,该方法使用基于格网的有符号距离函数计算密集的时空变形,并结合光流求解、投影算法和残差迭代实现了输入匹配。此外还提出了对齐技术,它可以连接多个长距离形变,从而实现旋转烟云或飞溅液体等现象。
Aug, 2016
本文提出了一种可学习的表示方法,用于形变中保留细节,其核心是一种基于 cage 的形变技术并且结合了神经网络来控制 cage 的变形以保留细节,可在无监督学习的情况下进行训练,并且在形状变化和变形传输方面具有实用价值。
Dec, 2019
本文探讨一种新方法 -- 变形感知正则化 -- 以更好地学习隐式神经表示形式,使其对隐式表示形式的变形具有可接受的合理性,并演示了其在如柔性变形等问题中的良好效果。
Aug, 2021