基于注意力机制的时间连续框架中的流体状态插值与编辑
机器学习
2024-06-13 v1 图形学
摘要
本文介绍了 FluidsFormer：一种基于Transformer的连续时间框架下的流体插值方法。通过将PITT与残差神经网络（RNN）的能力相结合，我们对流体状态的物理属性进行解析预测。这使我们能够在模拟的关键帧之间进行子步帧插值，从而增强动画的时序平滑度和清晰度。我们为烟雾插值展示了有前景的结果，并对液体进行了初始实验。
关键词
引用
@article{arxiv.2406.08188,
title = {Attention-Based Learning for Fluid State Interpolation and Editing in a Time-Continuous Framework},
author = {Bruno Roy},
journal= {arXiv preprint arXiv:2406.08188},
year = {2024}
}
备注
5 pages, 3 figures, submitted and accepted to SIGGRAPH