交替 ConvLSTM：以交替状态更新学习力传播
计算机视觉与模式识别
2020-06-16 v1 图形学
摘要
当传统数值方法遇到极限时，数据驱动模拟是计算物理的重要进步。近年来，基于学习的模拟器已被广泛研究；然而，大多数先前工作将模拟视为一般的时空预测问题，在设计神经网络架构时很少引入物理指导。本文提出交替卷积长短期记忆网络（Alt-ConvLSTM），对具有近似均匀材料属性的可变形物体中的力传播机制进行建模。具体而言，我们提出一种累积状态，并让网络交替更新其细胞状态与累积状态。我们展示了这一新颖方案如何模仿数值偏微分方程求解器中前向欧拉方法对一阶项和二阶项的交替更新。得益于此，我们的网络仅需少量参数，与模拟粒子数无关，同时保留了 ConvLSTM 的基本特征，使其天然适用于具有空间输入和输出的序列数据。我们在包含数千个粒子和一致身体姿态变化的人体软组织模拟上验证了 Alt-ConvLSTM。实验结果表明，Alt-ConvLSTM 能高效建模材料的动力学特征，并大幅优于仅进行单状态更新的普通 ConvLSTM。
引用
@article{arxiv.2006.07818,
title = {Alternating ConvLSTM: Learning Force Propagation with Alternate State Updates},
author = {Congyue Deng and Tai-Jiang Mu and Shi-Min Hu},
journal= {arXiv preprint arXiv:2006.07818},
year = {2020}
}