本研究提出了一种名为 NeuroFluid 的深度学习算法，可对复杂粒子系统（如流体）的物理动态进行建模，并能够通过训练两个模型来实现无监督学习粒子流体动力学，包括粒子驱动神经渲染器和物理转换模型。结果表明，该算法可以合理地估计不同初始形状，粘度和密度的流体的基本物理特性。

Mar, 2022

本文介绍了一种基于物理学的深度学习方法，用于处理点云数据，通过介绍欧拉 - 拉格朗日表示法，能够自然地演化和累积粒子功能，实现各种点云分类和分割问题的高效解决，所以本文将几何机器学习和物理模拟结合起来。

Feb, 2020

通过使用 Euler-Lagrange 双重循环网络（EuLagNet）来追踪自适应采样的关键粒子的运动并整合动力学信息，以指导未来的流体预测，本文提出了一种新的拉格朗日引导范式来处理复杂的流体动力学，实验证明 EuLagNet 在 2D 和 3D、模拟和现实世界流体中的三个挑战性流体预测任务中表现出色。

Feb, 2024

本文提出了一种基于传输的神经风格迁移算法，可用于体状烟雾数据。采用优化技术近似仿真状态，从而使得自然图像的特征可以转移到烟雾模拟图像中，实现了从简单图案到复杂结构的通用内容感知操纵，通过控制升降运算和无旋动能势可以实现传输引起的风格化速度场的直接控制，最终生成的 3D 重建图像可无缝地合并不同摄像机视角的风格化效果。

May, 2019

本文提出了两种计算机视觉算法对图像和视频进行风格迁移，第一种是根据 Gatys 算法进行能量最小化的图像风格转移技术，针对图像中的规模和遮挡等问题提出了改进，第二种是将视频风格迁移建模为一个学习问题，使用深度学习网络和新的训练程序使其在几乎实时的情况下实现任意长度的视频稳定风格转移，最后还介绍了如何将这些方法应用于 360 度图像和视频。

Aug, 2017

本研究提出了一种基于 Laplacian loss 的神经风格转移方法，通过优化目标图像中 Laplacians 的差异使得图像更好地保留内容图像的细节结构并消除矛盾和不好的图像效果。

Jul, 2017

该研究论文介绍了一种新的无监督神经网络模型，利用可解释的广义坐标学习图像中的拉格朗日力学，以及物理系统性质的预测和控制。

Jul, 2020

研究如何通过多种方法改进神经艺术风格算法的表现，特别是针对一些换风格难以处理的更复杂的前景和背景等内容，在实验中显示方法能有效提高风格转换的质量。

May, 2016

用现代人工智能技术进行数字艺术的新方法是通过神经网络的表现力在图像、视频和 3D 数据中进行样式转换，本文探讨了神经样式化在 3D 数据方面的最新进展，包括场景表示、指导数据、优化策略和输出样式等多个重要设计选择，并通过对 2D 图像神经样式化的背景进行回顾，详细讨论了近期的 3D 数据神经样式化方法，并提供了一个艺术样式化方法的小型基准测试，最后根据调研结果讨论了神经样式化的挑战、未来研究和潜在应用和影响。

Nov, 2023

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