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

本文提出了一种基于物理约束的贝叶斯深度学习方法，用于从稀疏、噪声较大的速度数据中重建流场，并估计重建流的不确定性，该方法在稀疏测量数据上训练贝叶斯深度神经网络来捕捉流场。与此同时，在无法获得测量数据的大量时空点上，对违反物理定律的惩罚将被响应。采用非参数变分推断方法，使得贝叶斯学习具有物理约束性。通过对具有合成测量数据的理想化血管流的几个测试案例研究表明，该方法的优点。

Jan, 2020

本文旨在从多视角视频中建模 3D 场景的动态。我们提出了一种新的方法，通过仅利用视频帧学习 3D 场景的几何、外观和物理速度，从而支持多种理想的应用，包括未来帧插值、无监督的 3D 语义场景分解和动态运动传递。

Dec, 2023

该研究提出使用隐式密度场而非神经辐射场作为图像的几何场景表示，通过自监督训练神经网络能够在单个前向传递中预测该场景表示，并且可以在深度预测和新视角合成方面进行体积渲染。实验表明，该方法能够预测出输入图像中遮挡区域的有意义几何信息。

Jan, 2023

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

我们提出了一种称为神经辐射流（NeRFlow）的方法，可以从一组 RGB 图像中学习动态场景的 4D 时空表示，使得不需要多个相机拍摄即可实现多视角渲染，同时可用作视频处理任务的隐式场景先验。

Dec, 2020

我们引入了神经流图（Neural Flow Maps）这种新颖的模拟方法，将隐式神经表示的新兴范式与基于流图理论的流体模拟相结合，实现了无粘流体现象的最先进模拟。我们设计了一种新颖的混合神经场表示，即空间稀疏神经场（Spatially Sparse Neural Fields，SSNF），它将小型神经网络与具有重叠、多分辨率和空间稀疏网格的金字塔结合起来，以高准确性紧凑地表示长期时空速度场。在这个神经速度缓冲区的基础上，我们以机械对称的方式计算长期的双向流图及其雅各布矩阵，从而显著提高了现有解决方案的准确性。这些长程双向流图实现了高精度的平流，低耗散，进而促进了具有高保真度的不可压缩流体模拟，从而展现了复杂的旋涡结构。我们展示了神经流体模拟在各种具有挑战性的模拟场景中的有效性，包括跳跃涡旋、碰撞涡旋、涡旋重连接，以及由移动障碍物和密度差异引起的涡旋生成。我们的实例展示了相对现有方法在能量守恒、视觉复杂度、与实验观察的一致性以及对详细旋涡结构的保护方面的性能提升。

Dec, 2023

利用卷积神经网络实现流场高分辨率重构，不需要高分辨率标签，能够提高空间分辨率并降低流场数据的噪声水平。

Nov, 2020

本文提出了一种从稀疏视角视频中学习动态人体神经体积视频的新方法，通过使用新的部分基于体素的人体表示法和二维运动参数化方案来提高模型的表现力和收敛速度，实验表明该模型与传统优化方法相比，在渲染质量上有竞争力，但学习速度更快。

Feb, 2023

我们提出并解决了一个贝叶斯逆纳维 - 斯托克斯（N-S）问题，通过同化流速测量数据来共同重建 3D 流场并学习未知的 N-S 参数，包括边界位置。我们在一个推理问题中使用通用的 N-S 问题，并使用高斯先验分布正则化其未知参数，以在一个简化的搜索空间中学习最可能的参数。最可能的流场重建是与学习的参数相对应的 N-S 解。我们在变分设置下开发了该方法，并使用 N-S 问题的一个稳定的 Nitsche schwach form，以控制所有的 N-S 参数。为了正则化推断出的几何形状，我们使用粘性符号距离场（vSDF）作为辅助变量，它是作为粘性阻尼 Eikonal 边界值问题的解给出的。我们设计了一个解决这个逆问题的算法，并使用一个相邻一致稳定的截取单元有限元方法在数值上实现它。然后，我们使用这种方法来重建通过主动脉弓物理模型的 3D 稳态层流的磁共振流速测量（流 - MRI）数据，包括两个不同雷诺数和信噪比（低 / 高）。我们发现该方法能够准确地 i）通过滤除噪声 / 伪影并恢复被噪声遮蔽的流动特征来重建低信噪比数据，并且 ii）能够在不过度拟合的情况下重现高信噪比数据。尽管我们开发的框架适用于复杂几何形状中的 3D 稳态层流，但它很容易扩展到时间相关的层流和雷诺平均的湍流流动，以及非牛顿流体（例如粘弹性流体）。

Jun, 2024