Jun, 2024

基于扩散模型的流场生成预测

PDF
TL;DR我们提出了一种几何到流场扩散模型，利用障碍物形状预测障碍物后的流场。该模型基于可学习的马尔可夫转移核函数，从高斯分布中恢复数据分布。马尔可夫过程以障碍物几何形状为条件，在每一步估计需要消除的噪声，通过 U-Net 实现。交叉注意机制将几何形状作为提示集成进来。我们使用包括圆形、椭圆形、矩形和三角形在内的简单障碍物流数据集进行几何到流场扩散模型的训练，并以同一数据集训练 CNN 模型进行比较。对于简单和复杂几何形状的障碍物流场，进行插值和外推的测试。流场生成结果表明几何到流场扩散模型在预测瞬时流场和处理复杂几何形状方面优于 CNN 模型。对模型准确性和场中发散的定量分析表明扩散模型具有很高的鲁棒性，暗示扩散模型隐式地学习了物理规律。
发现论文，激发创造
  • 基于知识增强去噪扩散的城市流动生成建模

    通过扩散模型生成没有历史流量数据的区域的动态城市流量，使用城市知识图和增强的扩散模型进行建模，并且通过实验证明其优越性和适用性。

    Sep, 2023

  • PiRD: 物理信息残差扩散用于流场重建

    在流体动力学中使用机器学习越来越普遍，为了加快解决偏微分方程的正反问题的计算。然而，现有基于卷积神经网络（CNN）的数据保真增强方法面临一个显著挑战，即在训练阶段依赖于特定低保真数据模式和分布。引入扩散模型在这个背景下展示了提高性能和可泛化性的潜力。我们提出的模型 —— 物理启发的残差扩散，展示了从标准低保真输入、注入高斯噪声的低保真输入以及随机采集样本中提升数据质量的能力。通过将基于物理的见解整合到目标函数中，进一步提高了推断得到的高质量数据的准确性和保真性。实验结果表明，我们的方法能够在不需要重新训练的情况下，有效地重建来自各种低保真输入条件中的二维湍流的高质量结果。

    Apr, 2024

  • 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

  • 三维湍流流动的生成扩散

    本文提出了一种基于生成扩散模型的新方法，用于固定几何形状中的强制湍流生成，同时引入了一种基于 Wasserstein 距离的湍流样本质量度量方法，实验证明该方法能以高质量样本为代价规避湍流的不可预测性，并且在从头开始生成湍流场的时间方面击败了工业级数值求解器一个数量级。

    May, 2023

  • 扩散模型在光流和单目深度估计中的惊人有效性

    本文展示了使用去噪扩散概率模型进行单目 depth 和 optical flow 估计，通过 Monte Carlo 推理，结合了自监督预训练和合成和真实数据的监督训练，能够在去噪和缺陷数据方面提供技术创新，以及对于不确定性和多模态的处理能力等方面都能取得最先进的效果。DDVM 是本文中提出的模型，相对深度误差为 0.074，比最佳发布方法的 Fl-all outlier rate 高 25%。

    Jun, 2023

  • 基于数据驱动的深度学习预测圆柱绕流不稳定流场

    本文探讨了使用四种不同的深度学习网络（考虑和不考虑守恒定律的卷积神经网络，考虑和不考虑守恒定律的生成对抗网络）来训练和预测圆柱上的非稳态流场，通过使用实际的质量守恒和动量守恒物理损失函数以及非监督式的对抗性训练来提高预测准确度，并得到了与数值模拟结果良好一致性的预测结果。

    Apr, 2018

  • DifFlow3D：基于扩散模型的稳健不确定性感知场景流估计

    基于扩散概率模型的新型不确定性感知场景流估计网络 (DifFlow3D) 提出，具有卓越性能，在 FlyingThings3D 和 KITTI 2015 数据集上分别降低了 6.7％和 19.1％的 EPE3D，且在 KITTI 数据集上实现了前所未有的毫米级准确度 (0.0089m 的 EPE3D)。扩散式精炼范式可作为即插即用模块集成到现有场景流网络中，显著提高其估计准确性。

    Nov, 2023

  • 学习发散场以获得偏移鲁棒的图表示

    我们提出了一个可学习的发散场几何扩散模型来解决依赖关系数据的挑战性泛化问题。通过引入随机扩散性来广义扩散方程，旨在捕捉依赖关系数据之间的多方面信息流动。另外，通过因果推断导出了一种新的学习目标，可指导模型学习对不同领域中都无关的依赖关系模式。在实际实现方面，我们提出了三种模型实例化方法，分别被视为 GCN、GAT 和 Transformers 的广义版本，具有对分布偏移的高鲁棒性。我们在不同的真实数据集上展示了这些模型在超出分布的泛化上的有希望的有效性。

    Jun, 2024

  • 混合高斯流用于多样化轨迹预测

    通过使用基于流的模型将混合高斯先验转换为未来轨迹流形，我们提出了一种具有生成多样轨迹模式能力的模型，使得流模型不再只是寻求预期流形上最可能的轨迹，而是一系列具有明确可解释性的受控流形。

    Feb, 2024

  • 利用卷积神经网络预测空气动力学流场

    本文提出了一种基于卷积神经网络（CNN）的近似模型，用于流场预测，该模型可以有效地估算速度和压力场，实现了对空气动力学力和流场的研究。

    May, 2019