Fugu-MT 論文翻訳(概要): Attention-Based Learning for Fluid State Interpolation and Editing in a Time-Continuous Framework

論文の概要: Attention-Based Learning for Fluid State Interpolation and Editing in a Time-Continuous Framework

arxiv url: http://arxiv.org/abs/2406.08188v1
Date: Wed, 12 Jun 2024 13:19:42 GMT
ステータス: 処理完了
システム内更新日: 2024-06-13 16:55:44.821929
Title: Attention-Based Learning for Fluid State Interpolation and Editing in a Time-Continuous Framework
Title（参考訳）: 時間連続フレームワークにおける流体状態補間と編集の注意に基づく学習
Authors: Bruno Roy,
Abstract要約: 連続的なフレームワーク内での流体に対するトランスフォーマーベースのアプローチであるFluidsFormerを紹介します。 PITTと残留ニューラルネットワーク(NNR)の機能を組み合わせることで,流体状態の物理的特性を解析的に予測する。これにより、シミュレーション時間間でサブステップフレームを補間し、アニメーションの滑らかさとシャープさを高めることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this work, we introduce FluidsFormer: a transformer-based approach for fluid interpolation within a continuous-time framework. By combining the capabilities of PITT and a residual neural network (RNN), we analytically predict the physical properties of the fluid state. This enables us to interpolate substep frames between simulated keyframes, enhancing the temporal smoothness and sharpness of animations. We demonstrate promising results for smoke interpolation and conduct initial experiments on liquids.
Abstract（参考訳）: 本研究では,連続時間フレームワーク内での流体補間のためのトランスフォーマーベースのアプローチであるFluidsFormerを紹介する。 PITTと残留ニューラルネットワーク(RNN)の機能を組み合わせることで,流体状態の物理的特性を解析的に予測する。これにより、シミュレートされたキーフレーム間でサブステップフレームを補間し、時間的滑らかさとアニメーションのシャープさを高めることができる。煙の補間に関する有望な結果を示し, 液体の初期実験を行った。

関連論文リスト

Motion-aware Latent Diffusion Models for Video Frame Interpolation [51.78737270917301]
隣接するフレーム間の動き推定は、動きのあいまいさを避ける上で重要な役割を担っている。我々は、新しい拡散フレームワーク、動き認識潜在拡散モデル(MADiff)を提案する。提案手法は,既存手法を著しく上回る最先端性能を実現する。
論文参考訳（メタデータ） (2024-04-21T05:09:56Z)
OCAI: Improving Optical Flow Estimation by Occlusion and Consistency Aware Interpolation [55.676358801492114]
本稿では,中間映像フレームと光フローを同時に生成することで,フレームのあいまいさを頑健に支援するOCAIを提案する。我々は,Sintel や KITTI などの既存のベンチマークにおいて,優れた品質と光フロー精度を実証した。
論文参考訳（メタデータ） (2024-03-26T20:23:48Z)
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)
Dynamic Frame Interpolation in Wavelet Domain [57.25341639095404]
ビデオフレームは、より流動的な視覚体験のためにフレームレートを上げることができる、重要な低レベルな計算ビジョンタスクである。既存の手法は、高度なモーションモデルと合成ネットワークを利用することで大きな成功を収めた。 WaveletVFIは、同様の精度を維持しながら最大40%の計算を削減できるため、他の最先端技術に対してより効率的に処理できる。
論文参考訳（メタデータ） (2023-09-07T06:41:15Z)
Predicting fluid-structure interaction with graph neural networks [13.567118450260178]
本稿では,流体-構造相互作用系の低次モデリングのための回転同変準モノリシックグラフニューラルネットワークフレームワークを提案する。有限要素インスパイアされたハイパーグラフニューラルネットワークを用いて、システム全体の状態に基づいて流体状態の進化を予測する。提案するフレームワークは,インターフェース記述をトラッキングし,少なくとも2000時間のロールアウト時に,安定かつ正確なシステム状態予測を提供する。
論文参考訳（メタデータ） (2022-10-09T07:42:23Z)
Meta-Interpolation: Time-Arbitrary Frame Interpolation via Dual Meta-Learning [65.85319901760478]
我々はメタ学習の助けを借りて、適応的に生成された畳み込みカーネルで異なる時間ステップを統一的に処理することを検討する。我々は、コンテキスト情報と光フローのガイダンスを用いて、中間フレームを合成するデュアルメタ学習フレームフレームワークを開発した。
論文参考訳（メタデータ） (2022-07-27T17:36:23Z)
Learning to Estimate and Refine Fluid Motion with Physical Dynamics [9.258258917049845]
流体流量推定のための教師なし学習に基づく予測補正手法を提案する。推定はまずPDE制約の光フロー予測器によって与えられ、次に物理ベースの補正器によって洗練される。提案手法は,地上の真理情報が効果的に理解できない複雑な実世界の流体シナリオに一般化することができる。
論文参考訳（メタデータ） (2022-06-21T15:46:49Z)
Long-term Video Frame Interpolation via Feature Propagation [95.18170372022703]
ビデオフレーム(VFI)は、まず入力間の動きを推定し、次に推定された動きで入力を目標時間にワープすることで、中間フレーム(s)を予測する。入力シーケンス間の時間的距離が増加すると、このアプローチは最適ではない。本稿では,従来の特徴レベルの予測を新しいモーション・トゥ・フェース・アプローチで拡張した伝搬ネットワーク(PNet)を提案する。
論文参考訳（メタデータ） (2022-03-29T10:47:06Z)
Neural UpFlow: A Scene Flow Learning Approach to Increase the Apparent Resolution of Particle-Based Liquids [0.6882042556551611]
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。
論文参考訳（メタデータ） (2021-06-09T15:36:23Z)
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。