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
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
通过视觉粒子动力学以及端到端学习的方式，我们提出了一种从观测数据中直接学习模拟器的方法，避免了对特殊的信息的依赖，从而实现更加真实可信的仿真。这一方法的 3D 结构使得场景编辑和长期预测成为可能，为视频编辑和机器人规划等应用提供了新的路径。
利用深度学习技术，本文提出了一种新的方法来准确提取涡旋边界，通过融合粒子轨迹（流线或路径线）来增强涡旋边界提取的准确性。
Apr, 2024
本文提出一种基于无监督学习的预测 - 校正方案，通过 PDE 约束的光学流预测器给出速度场的估计，并通过基于物理的校正器进行精细化处理，取得了比光学流方法更好的效果，在基准数据集上表现出与现有监督学习方法具有竞争力的结果。
Jun, 2022
本文提出了一种纯视觉方法来估计液体黏度，利用流体振荡的行为与黏度直接相关的事实，通过使用 3D 卷积自动编码器学习视频中不同流体振荡模式的潜在表示，从而在视觉上推断流体的类别或动力黏度。
Aug, 2023
基于三维流场理论，提出了一种基于局部速度信息的分割标准和基于局部涡量与涡尾之间关系的分类标准的流场分割及分类深度学习方法，能更准确地识别涡旋结构，并在准确分类涡尾类型的同时，大幅度减少时间消耗。
May, 2023
我们介绍了一种基于潜在直觉物理的转移学习框架，可以从单个 3D 视频中推断流体的隐藏属性，并在新场景中模拟观察到的流体。
Jun, 2024
本文提出了一种名为 VRDP 的统一框架，可以从视频和语言中联合学习视觉概念，并推断对象及其交互的物理模型，通过无缝集成三个组成部分：视觉理解模块、概念学习器和可微分的物理引擎。
Oct, 2021