論文の概要: Lagrangian Neural Style Transfer for Fluids

• arxiv url: http://arxiv.org/abs/2005.00803v1
• Date: Sat, 2 May 2020 11:53:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 13:01:11.876666
• Title: Lagrangian Neural Style Transfer for Fluids
• Title（参考訳）: 流体に対するラグランジアンニューラルスタイル伝達
• Authors: Byungsoo Kim, Vinicius C. Azevedo, Markus Gross, Barbara Solenthaler
• Abstract要約: ラグランジアンの観点から画像から3次元流体へのニューラルスタイルの変換手法を提案する。 スタイル転送に粒子を用いることは、グリッドベースの手法と比較して、独特な利点がある。
• 参考スコア（独自算出の注目度）: 17.132462608837645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artistically controlling the shape, motion and appearance of fluid simulations pose major challenges in visual effects production. In this paper, we present a neural style transfer approach from images to 3D fluids formulated in a Lagrangian viewpoint. Using particles for style transfer has unique benefits compared to grid-based techniques. Attributes are stored on the particles and hence are trivially transported by the particle motion. This intrinsically ensures temporal consistency of the optimized stylized structure and notably improves the resulting quality. Simultaneously, the expensive, recursive alignment of stylization velocity fields of grid approaches is unnecessary, reducing the computation time to less than an hour and rendering neural flow stylization practical in production settings. Moreover, the Lagrangian representation improves artistic control as it allows for multi-fluid stylization and consistent color transfer from images, and the generality of the method enables stylization of smoke and liquids likewise.
• Abstract（参考訳）: 流体シミュレーションの形状、動き、外観を芸術的に制御することは、視覚効果の生成において大きな課題となる。 本稿では,画像からラグランジアン視点で定式化した3次元流体へのニューラルスタイル伝達手法を提案する。 スタイル転送に粒子を用いることは、グリッドベースの手法と比較してユニークな利点がある。 属性は粒子上に保存され、したがって粒子の動きによって自明に輸送される。 このことは本質的に最適化された構造体の時間的一貫性を確保し、その結果の質を著しく向上させる。 同時に、グリッドアプローチのスタイリゼーション速度場の高価で再帰的なアライメントは不要であり、計算時間を1時間未満に短縮し、生産環境ではニューラルネットワークスタイリゼーションを実用的なものにする。 さらに、ラグランジアン表現は、多流体スタイリゼーションと画像からの一貫した色移動を可能にするため、芸術的制御を改善し、この方法の一般化により、煙や液体のスタイリゼーションも可能となる。

関連論文リスト

• UniVST: A Unified Framework for Training-free Localized Video Style Transfer [66.69471376934034]
  ローカライズドビデオスタイル転送のための統一フレームワークUniVSTを提案する。 トレーニングは不要で、ビデオ全体にわたってスタイルを転送する既存の方法に対して、明確なアドバンテージを提供する。
  論文  参考訳（メタデータ） (2024-10-26T05:28:02Z)
• Enhancing Dynamic CT Image Reconstruction with Neural Fields Through Explicit Motion Regularizers [0.0]
  2次元以上の時間計算トモグラフィーにおけるPDEに基づく運動正規化器の導入によるニューラルネットワークの最適化の利点を示す。 また、ニューラルネットワークをグリッドベースの解法と比較し、前者が後者より優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-03T13:07:29Z)
• StylizedGS: Controllable Stylization for 3D Gaussian Splatting [53.0225128090909]
  StylizedGSは知覚因子を適応的に制御する効率的な3Dニューラルスタイル転送フレームワークである。 本手法は,忠実なブラシストロークとフレキシブル制御による幾何整合性を特徴とする高品質なスタイリゼーションを実現する。
  論文  参考訳（メタデータ） (2024-04-08T06:32:11Z)
• Vision-Informed Flow Image Super-Resolution with Quaternion Spatial Modeling and Dynamic Flow Convolution [49.45309818782329]
  フロー画像超解像(FISR)は、低分解能フロー画像から高分解能乱流速度場を復元することを目的としている。 既存のFISR法は主に自然画像パターンのフロー画像を処理する。 第一流れの視覚特性インフォームドFISRアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-29T06:48:16Z)
• Forward Flow for Novel View Synthesis of Dynamic Scenes [97.97012116793964]
  本稿では,前向きワープを用いた動的シーンの新たなビュー合成のためのニューラルラジアンス場(NeRF)アプローチを提案する。 本手法は、新しいビューレンダリングとモーションモデリングの両方において、既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-29T16:51:06Z)
• GotFlow3D: Recurrent Graph Optimal Transport for Learning 3D Flow Motion in Particle Tracking [11.579751282152841]
  粒子追跡速度計(PTV)のような流れの可視化技術は、自然と産業のプロセスから発生する3次元乱流の全広さを理解するために広く用いられている。 3D取得技術の進歩にもかかわらず、粒子追跡における動き推定アルゴリズムは、大きな粒子変位、高密度粒子分布、高い計算コストにおいて大きな課題である。 グラフ最適輸送に基づく新しいディープニューラルネットワークを導入することにより、両フレーム粒子集合から3次元流体の流れを学習するためのエンドツーエンドのソリューションを提案する。
  論文  参考訳（メタデータ） (2022-10-31T02:05:58Z)
• Physics Informed Neural Fields for Smoke Reconstruction with Sparse Data [73.8970871148949]
  まばらなマルチビューRGBビデオから流体を高忠実に再現することは、まだまだ難しい課題だ。 既存のソリューションは、障害物や照明に関する知識を前提とするか、障害物や複雑な照明のない単純な流体シーンのみに焦点を当てる。 本稿では, 制御物理(Navier-Stokes方程式)をエンドツーエンドの最適化で活用することにより, 動的流体を再構築する最初の方法を提案する。
  論文  参考訳（メタデータ） (2022-06-14T03:38:08Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• AdvectiveNet: An Eulerian-Lagrangian Fluidic reservoir for Point Cloud Processing [14.160687527074858]
  本稿では,流体力学における自然流現象を動機とした点雲処理のための物理に着想を得たディープラーニング手法を提案する。 我々の学習アーキテクチャは、静的背景格子とラグランジアン物質空間を用いて、移動粒子を用いてユーレリア世界のデータを共同で定義する。 本研究では,様々なポイントクラウドの分類とセグメンテーション問題を最先端性能で解くことで,本システムの有効性を実証する。
  論文  参考訳（メタデータ） (2020-02-01T01:21:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。