基于注意力的时间连续框架下流体状态插值和编辑学习

Jun, 2024

基于注意力的时间连续框架下流体状态插值和编辑学习

Attention-Based Learning for Fluid State Interpolation and Editing in a Time-Continuous Framework

Bruno Roy

TL;DR在这项工作中，我们介绍了 FluidsFormer：一种基于 Transformer 的方法，用于在连续时间框架内进行流体插值。通过结合 PITT 和残差神经网络（RNN）的能力，我们可以对流体状态的物理属性进行解析预测，从而使我们能够在模拟关键帧之间插值子步帧，提高动画的时间平滑性和清晰度。我们展示了在烟雾插值方面的有 promising 结果，并对液体进行了初步实验。

Abstract

In this work, we introduce fluidsformer: a transformer-based approach for fluid interpolation within a →

fluidsformer transformer-based approach fluid interpolation continuous-time framework rnn

发现论文，激发创造

使用流变换器进行视频帧插值

我们提出了一种视频帧插值流 Transformer 的方法，通过将运动动态从光流中引入自注意机制，使得我们的框架适用于插值具有大运动的帧，同时保持相对较低的复杂性，并通过构建多尺度架构来提高整体性能，实验证明该方法能够生成比现有方法更好视觉质量的插值帧。

Jul, 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

视频帧插值变换器

本论文提出了一种基于 Transformer 模型的视频插帧方法，利用自注意力机制实现了内容关注的多尺度帧间聚合，并引入本地注意力机制以及时间与空间的分离策略以优化性能。实验证明该方法在多个基准数据集上得到了优于现有方法的表现。