Nov, 2020

ScalarFlow: 一种大规模的真实世界标量输运流体数据集，用于计算机动画和机器学习

PDF
TL;DR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。
scalarflowdata setsmoke plumesphysics-based reconstructioncomputer graphics
发现论文，激发创造
  • 真实世界点云的可伸缩场景流

    本文介绍一种新的基于运动跟踪的大规模数据集并提出适用于全点云的 FastFlow3D 架构，以更好地进行场景流预测并提高现实世界的表现。

    Mar, 2021

  • 物理学知识指导的神经场方法用于稀疏数据下的烟雾重建

    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

  • 通过学习自我监督进行流体重建的全球传输

    通过全局传输公式，我们提出了一种新的方法，从稀疏视图中重建容积流。我们通过单个初始状态来重建其运动，引入了自学习的自我监督，它通过传输约束和可微分渲染步骤，使视觉约束耦合。这使得即使只是从一个视角的输入，也能够重建高度逼真的流动运动。通过各种合成流和实际流展示了所提出的传输过程的全局重建可以改善流体运动的重建。

    Apr, 2021

  • 基于机器学习的湍流流场时空超分辨率重建

    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

  • 从视频中推断混合神经流体场

    我们提出了混合神经流体场（HyFluid）的神经方法，用于联合推断流体密度和速度场，以解决流体速度的视觉模糊性和湍流性所带来的挑战，并展示了该方法在恢复涡旋流细节方面的成功，为涉及三维不可压缩流体的各种学习和重建应用打开了可能性。

    Dec, 2023

  • 用于视觉计算的不可分离多维网络流

    这篇研究提出了一种新颖的非分离多维网络流的形式，从而实现了自动适应的特征选择策略，进而在多目标跟踪问题上取得了比标量公式更好的鲁棒性表现。

    May, 2023

  • GotFlow3D：循环图峰值传输用于粒子跟踪中学习三维流动运动

    本文提出了一种基于循环图优化传输的深度神经网络解决大颗粒位移、高计算成本等问题，在几何和特征空间构建两个图，并且从图神经网络中获得融合的内部和外部特征用于优化传输计划，从而可以对粒子对进行对应关系的迭代适应式检索以指导循环流学习，实验结果证明该方法在粒子跟踪方面取得了最先进性能。

    Oct, 2022

  • 使用或不使用学习的点云场景流

    本研究提出了一种简单且可解释的目标函数来从点云中计算场景流，既可以用于有监督的学习，又可以用于自监督学习，或者在运行时进行优化，其优于先前相关工作，且在动态环境下的运动分割和点云密集化等应用方面具有即时性。

    Oct, 2020

  • 关于点云的变形和对应关系感知的无监督合成场景流估计

    本文介绍了一种利用自动生成的样本和伪标签的自适应框架来提高点云场景流预测模型在不同场景下的泛化性能的方法。

    Mar, 2022

  • 焦点中的湍流：使用 BLASTNet 2.0 数据对 3D 体积超分辨率的标杆性缩放行为进行基准测试

    BLASTNet 2.0 是一份包含 744 个全域样本的 2.2TB 数据集，来自于 34 个高保真直接数值模拟，地址了目前三维高保真可压湍流流动模拟数据稀缺的问题。通过对这个数据进行基准测试，我们评估了 49 种各不相同的五种深度学习方法在三维超分辨率方面的性能，该方法对于科学成像、模拟、湍流模型以及计算机视觉应用有所改进。我们对这些模型进行了神经缩放分析，以检验不同机器学习方法的性能，包括两种科学机器学习技术。我们证明了（i）预测性能可以随着模型规模和成本的增加而提高，（ii）体系结构对于较小的模型尤其重要，以及（iii）基于物理的损失函数的好处在模型规模增大时仍然存在。这项基准研究的成果预计将提供有助于设计三维超分辨率模型的见解，特别是对于湍流模型，同时此数据预计将促进广泛范围的流动物理应用中的机器学习方法。这些数据已公开可下载，并在此 https URL 提供了下载链接和浏览工具。

    Sep, 2023