論文の概要: Neural UpFlow: A Scene Flow Learning Approach to Increase the Apparent
Resolution of Particle-Based Liquids
- arxiv url: http://arxiv.org/abs/2106.05143v1
- Date: Wed, 9 Jun 2021 15:36:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-10 14:53:50.762002
- Title: Neural UpFlow: A Scene Flow Learning Approach to Increase the Apparent
Resolution of Particle-Based Liquids
- Title（参考訳）: ニューラルアップフロー:粒子系液体の明瞭な分解能を高めるためのシーンフロー学習アプローチ
- Authors: Bruno Roy, Pierre Poulin, and Eric Paquette
- Abstract要約: 本稿では,深層ニューラルネットワークを用いたシーンフロー推定に基づく高分解能液体の生成手法を提案する。
本手法は, 低分解能粒子ベース液体シミュレーションのみで, 小型・大規模の細部を推測, 合成する。
- 参考スコア（独自算出の注目度）: 0.6882042556551611
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present a novel up-resing technique for generating high-resolution liquids
based on scene flow estimation using deep neural networks. Our approach infers
and synthesizes small- and large-scale details solely from a low-resolution
particle-based liquid simulation. The proposed network leverages neighborhood
contributions to encode inherent liquid properties throughout convolutions. We
also propose a particle-based approach to interpolate between liquids generated
from varying simulation discretizations using a state-of-the-art bidirectional
optical flow solver method for fluids in addition to a novel key-event
topological alignment constraint. In conjunction with the neighborhood
contributions, our loss formulation allows the inference model throughout
epochs to reward important differences in regard to significant gaps in
simulation discretizations. Even when applied in an untested simulation setup,
our approach is able to generate plausible high-resolution details. Using this
interpolation approach and the predicted displacements, our approach combines
the input liquid properties with the predicted motion to infer semi-Lagrangian
advection. We furthermore showcase how the proposed interpolation approach can
facilitate generating large simulation datasets with a subset of initial
condition parameters.
- Abstract（参考訳）: 本稿では,深層ニューラルネットワークを用いたシーンフロー推定に基づく高分解能液体の生成手法を提案する。
本手法は,低分解能粒子ベース液体シミュレーションのみで,小型・大規模の詳細を推測・合成する。
提案するネットワークは、畳み込み全体を通して固有の液体特性をエンコードするために近所の貢献を利用する。
また,新しいキーイベントトポロジカルアライメント制約に加えて,流体の最先端の双方向光フローソルバ法を用いて,様々なシミュレーション離散化から生成された液体間を補間する粒子ベースアプローチを提案する。
近所の貢献と相まって,epoch全体の推論モデルはシミュレーションの離散化における重要なギャップに関して重要な違いを報奨することができる。
未検証のシミュレーション環境に適用しても,この手法は高分解能な詳細情報を生成することができる。
この補間法と予測変位法を用いて, 入力液特性と予測運動を組み合わせることにより, 半ラグランジアン移流を推定する。
さらに,提案手法により,初期条件パラメータのサブセットによる大規模なシミュレーションデータセットの生成が容易になることを示す。
関連論文リスト
- Conditional Lagrangian Wasserstein Flow for Time Series Imputation [3.914746375834628]
本研究では,条件付きラグランジアンワッサースタイン流という時系列計算法を提案する。
提案手法は(条件付き)最適輸送理論を利用して,シミュレーションのない方法で確率流を学習する。
実単語データセットを用いた実験結果から,提案手法は時系列計算における競合性能を実現することが示された。
論文 参考訳（メタデータ） (2024-10-10T02:46:28Z) - Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳（メタデータ） (2024-07-10T17:39:50Z) - Motion-Aware Video Frame Interpolation [49.49668436390514]
我々は、連続するフレームから中間光の流れを直接推定する動き対応ビデオフレーム補間(MA-VFI)ネットワークを導入する。
受容場が異なる入力フレームからグローバルな意味関係と空間的詳細を抽出するだけでなく、必要な計算コストと複雑さを効果的に削減する。
論文 参考訳（メタデータ） (2024-02-05T11:00:14Z) - Fluid Simulation on Neural Flow Maps [23.5602305386658]
本稿では,フローマップの理論に基づく流体シミュレーションにより,暗黙的ニューラル表現の新たなパラダイムをブリッジする新しいシミュレーション手法であるニューラルフローマップを紹介する。
本研究は, 跳躍渦, 衝突渦, 渦再接続, 移動障害物からの渦発生, 密度差など, 様々な困難なシミュレーションシナリオにおいて, 神経流体シミュレーションの有効性を実証する。
論文 参考訳（メタデータ） (2023-12-22T12:13:19Z) - Identifying topology of leaky photonic lattices with machine learning [0.0]
漏洩フォトニック格子の位相位相の分類に機械学習技術を適用する方法を示す。
本稿では,バルク強度測定のみに基づく手法を提案する。
論文 参考訳（メタデータ） (2023-08-28T08:42:06Z) - A DeepParticle method for learning and generating aggregation patterns
in multi-dimensional Keller-Segel chemotaxis systems [3.6184545598911724]
ケラー・セガル (KS) ケモタキシー系の2次元および3次元における凝集パターンと近傍特異解の正則化相互作用粒子法について検討した。
さらに,物理パラメータの異なる解を学習し,生成するためのDeepParticle (DP) 法を開発した。
論文 参考訳（メタデータ） (2022-08-31T20:52:01Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T17:07:46Z) - PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
本稿では,正規化フローを組み込んだPU-Flowについて述べる。
具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。
提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-13T07:45:48Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - Neural Vortex Method: from Finite Lagrangian Particles to Infinite
Dimensional Eulerian Dynamics [16.563723810812807]
ニューラル渦法(Neural Vortex Method, NVM)を提案する。
NVMはラグランジアン渦構造とその相互作用力学をニューラルネットワークで記述する。
これら2つのネットワークを渦対速度ポアソン解法で埋め込むことで、正確な流体力学を予測できる。
論文 参考訳（メタデータ） (2020-06-07T15:12:25Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。