論文の概要: Inferring Hybrid Neural Fluid Fields from Videos

• arxiv url: http://arxiv.org/abs/2312.06561v1
• Date: Mon, 11 Dec 2023 17:46:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 14:43:26.775710
• Title: Inferring Hybrid Neural Fluid Fields from Videos
• Title（参考訳）: ビデオからハイブリッドニューラル流体場を推定する
• Authors: Hong-Xing Yu, Yang Zheng, Yuan Gao, Yitong Deng, Bo Zhu, Jiajun Wu
• Abstract要約: スパース・マルチビュー・ビデオからの流体密度と速度の回復について検討した。 既存のニューラル・ダイナミック・リコンストラクション法は光学フローに依存している。 本研究では, 流体密度と速度場を同時推定するハイブリッド型ニューラルネットワーク (HyFluid) を提案する。
• 参考スコア（独自算出の注目度）: 29.796181173910963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study recovering fluid density and velocity from sparse multiview videos. Existing neural dynamic reconstruction methods predominantly rely on optical flows; therefore, they cannot accurately estimate the density and uncover the underlying velocity due to the inherent visual ambiguities of fluid velocity, as fluids are often shapeless and lack stable visual features. The challenge is further pronounced by the turbulent nature of fluid flows, which calls for properly designed fluid velocity representations. To address these challenges, we propose hybrid neural fluid fields (HyFluid), a neural approach to jointly infer fluid density and velocity fields. Specifically, to deal with visual ambiguities of fluid velocity, we introduce a set of physics-based losses that enforce inferring a physically plausible velocity field, which is divergence-free and drives the transport of density. To deal with the turbulent nature of fluid velocity, we design a hybrid neural velocity representation that includes a base neural velocity field that captures most irrotational energy and a vortex particle-based velocity that models residual turbulent velocity. We show that our method enables recovering vortical flow details. Our approach opens up possibilities for various learning and reconstruction applications centered around 3D incompressible flow, including fluid re-simulation and editing, future prediction, and neural dynamic scene composition. Project website: https://kovenyu.com/HyFluid/
• Abstract（参考訳）: スパースマルチビュー映像からの流体密度と速度の回復について検討した。 既存のニューラル・ダイナミック・リコンストラクション法は、主に光学的フローに依存しているため、流体の形状が無く、安定した視覚的特徴が欠如しているため、流体速度の本質的な視覚的曖昧さにより、密度を正確に推定し、基礎となる速度を明らかにすることはできない。 この挑戦は、適切に設計された流体流速表現を要求する流体流の乱流の性質によってさらに強調される。 これらの課題に対処するため,我々は,流体密度と速度場を共同で推定するニューラルアプローチであるハイブリッドニューラル流体場(hyfluid)を提案する。 具体的には,流体速度の視覚的なあいまいさに対処するために,物理的に妥当な速度場を推定し,分散を伴わない密度輸送を駆動する物理学に基づく損失の組を導入する。 流体流速の乱流特性に対処するため, 残留乱流速度をモデル化した渦粒子速度と, ほとんど不整流エネルギーを捕捉するベースニューラル速度場を含むハイブリッドニューラル速度表現を設計した。 本手法は,渦流の詳細を復元できることを示す。 このアプローチは,流体の再シミュレーションと編集,将来の予測,ニューラルネットワークの動的シーン構成など,3次元非圧縮フローを中心とした様々な学習および再構成アプリケーションの可能性を開く。 プロジェクトウェブサイト:https://kovenyu.com/HyFluid/

関連論文リスト

• 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)
• HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction [66.38369833561039]
  HelmFluidは流体の正確かつ解釈可能な予測器である。 ヘルムホルツの定理に触発され、ヘルムホルツの力学を学ぶためにヘルム力学ブロックを設計する。 HelmDynamicsブロックをマルチスケールのマルチヘッド積分アーキテクチャに埋め込むことで、HelmFluidは学習したHelmholtzダイナミクスを複数の空間スケールで時間次元に沿って統合することができる。
  論文  参考訳（メタデータ） (2023-10-16T16:38:32Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• PhysDiff: Physics-Guided Human Motion Diffusion Model [101.1823574561535]
  既存の運動拡散モデルは、拡散過程における物理学の法則をほとんど無視する。 PhysDiffは拡散過程に物理的制約を組み込む。 提案手法は,最先端の動作品質を実現し,身体的可視性を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-12-05T18:59:52Z)
• 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)
• Teaching the Incompressible Navier-Stokes Equations to Fast Neural Surrogate Models in 3D [4.981834139548193]
  本稿では,最近提案された2Dの課題に対処する深層学習フレームワークの大幅な拡張について述べる。 2Dから3Dへ移行し、メモリと計算の複雑さの観点から3Dグリッドの高要求に対処する効率的なアーキテクチャを提案する。 提案手法は,現行の3次元NN流体モデルよりも精度,速度,一般化能力が向上したことを示す。
  論文  参考訳（メタデータ） (2020-12-22T09:21:40Z)
• Ultrafast viscosity measurement with ballistic optical tweezers [55.41644538483948]
  非侵襲粘度測定は秒の積分時間を必要とする。 速度を最大20マイクロ秒まで改善した4つの命令を実演する。 光学式ツイーザにおける捕捉粒子の瞬時速度を用いてこれを実現する。
  論文  参考訳（メタデータ） (2020-06-29T00:09:40Z)
• Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast, Differentiable Fluid Models that Generalize [7.707887663337803]
  最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。 本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。 トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
  論文  参考訳（メタデータ） (2020-06-15T20:59:28Z)

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。