ICMLMar, 2022

基于粒子驱动神经辐射场的流体动力学建模

PDF
TL;DR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。
deep learningparticle systemsfluid dynamics groundingneural rendererunsupervised learning
发现论文，激发创造
  • 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

  • 3D-IntPhys：挑战场景下更加通用的三维视觉直观物理学

    本论文提出了一种通过学习多视角 RGB 图像预测场景未来发展的 3D 模型的框架，并使用条件神经辐射场视觉前端和 3D 基点动态预测后端来捕获底层环境的结构以及强关系和结构归纳偏差，相较于先前的方法，我们的模型对准确的点估计和跟踪不再具有依赖性，可以应对较复杂的场景，并在长时间预测方面表现较好。

    Apr, 2023

  • DualFluidNet: 基于注意力的双管道网络用于准确和可推广的流固耦合仿真

    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

  • 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

  • 通过反演渲染推断流体动力学

    该研究通过不需要地面实况流体动力学监督的未注释视频实现了从照片到流体动力学重建的功能，其中包括可微的欧拉模拟器和体积渲染器，并通过流体数据派生出一种不同的渲染器，以支持端到端 / 连贯的可微动态模拟和渲染。

    Apr, 2023

  • 流体的拉格朗日神经风格转移

    本文提出了一种基于神经风格迁移的方法，从图像到 3D 流体的 Lagrangian 视点实现流体模拟的形状，运动和外观的艺术化控制，使用基于粒子的风格转移具有独特优势，同时确保了时间上的一致性和提高了其结果的质量，此外，Lagrangian 表示法提高了艺术控制并实现了多流体风格化，通用性使方法同样适用于烟雾和液体的风格化。

    May, 2020

  • 基于点云的深度学习框架在不规则几何形态流动场预测中的应用

    本文提出了一种新颖的基于 PointNet 架构的深度学习框架，用于在几何形状无规则的区域中进行流场预测，该方法实现了在边界平滑性和小尺度几何变化检测方面的优化，并且能够比传统 CFD 解算器快数百倍且保持较高的准确度。

    Oct, 2020

  • 潜空间物理学：迈向学习流体流动的时间演变

    本文提出一种基于深度学习的方法，通过使用 LSTM 算法预测流体力学问题中的压力场变化，并在实验中证明了该算法在速度上的优势

    Feb, 2018

  • AdvectiveNet: 一种欧拉 - 拉格朗日流体储集器用于点云处理

    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

  • 学习物理模型的视觉定位

    该论文提出了一种神经模型，同时基于物理学原理和视觉先验进行推理和预测，通过对粒子的估计预测物理参数，即视觉基础，并在刚体、可变形材料和流体的复杂环境中证明了它的有效性，允许模型在几次观察内推断出物理特性，从而快速适应未见过的场景并进行准确的未来预测。

    Apr, 2020