使用具有热力学感知能力的神经网络，通过增加物理系统的测量分辨率并预测其时间演化。该方法使用对抗自编码器将完全有序模型的维数降低到一组隐变量中，并确保这些变量符合先验（例如正态分布）。然后，利用第二个神经网络学习隐变量的物理结构和预测其时序演变，该神经网络称为结构保持神经网络。通过将整合轨迹解码为其原始维度以及由对抗自编码器产生的高维空间，将其与真实解进行比较。该方法在两个流体在圆柱上的例子中进行了测试，液体属性在两个例子之间存在变化。

Feb, 2024

本文提出了一种生成式模型 Temporal Generative Adversarial Nets（TGAN），用于学习未标记视频的语义表示，并能够生成视频。我们的模型利用两种不同类型的生成器：时间生成器和图像生成器，解决了利用现有的基于 GAN 的方法生成视频时存在的问题。为了稳定训练，我们采用了最近提出的 Wasserstein GAN 模型，并提出了一种稳定的端到端训练方法。实验结果表明了我们方法的有效性。

Nov, 2016

本文介绍了一种利用监督式机器学习技术、灵感来源于超分辨率和插帧的新型湍流数据重建方法，通过卷积神经网络的多尺度模型，及时地将高分辨率的湍流流场从粗略的空间和时间数据中恢复出来，该方法在二维圆柱后流、二维衰减均匀同性湍流和三维涡旋管道流场的应用中得到了验证，表明其能够满足多种流场重建的需求。

Apr, 2020

本文探讨了基于物理方法的生成对流层的 GAN 泛化方法，通过修改损失函数并最小化生成数据的控制方程残差，实现了对生成数据的受控制生成，并通过对比能量统计、流场形态等指标之间的差异来展示其中的优势。

Mar, 2020

本文使用数据驱动的方法，应用前沿的深度学习技术模拟三维湍流，考虑流体的物理约束，并使用向量量化自编码器等方法降低数据维度，应用 Transformer 网络预测流体运动趋势，所得结果优于其他网络，但不能完美还原小幅动态。

Dec, 2021

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

本文提出了一种使用时间自我监督的算法，采用 GAN 生成视频的方式解决了时间关系难以探索的问题，同时提出了 Ping-Pong loss 用来改善长期时间一致性问题，并且介绍了一组评估模型的定量指标。

Nov, 2018

本研究提出了一种新的视频合成方法，通过将空间域和时间域分离，利用预训练的 StyleGAN 网络的潜在空间进行训练，成功地生成了高质量的人像视频，并显著降低了所需训练数据和资源的数量。

Jul, 2021

介绍了一种基于生成对抗网络的重复随机超分辨率 GAN，该 GAN 可以应用于低分辨率气象数据，生成时间演化的高分辨率气象数据。

May, 2020

本文提出一种简单而有效的方法来实现一致性视频编辑，通过优化潜在编码和预先训练的生成器，减少时间光度不一致，并在不同领域和 GAN 逆推技术上得到了有利的结果。

Jun, 2022