DualFluidNet：一种基于注意力机制的双管线流体模拟网络
计算机视觉与模式识别
2024-04-19 v2 图形学
摘要
使用 SPH 方法时，流体运动可以被视为点云变换。与传统的数值分析方法相比，使用机器学习技术学习物理模拟可以获得接近精确的结果，同时显著提高效率。在本文中，我们提出了一种利用基于注意力机制的双管线网络（Attention-based Dual-pipeline Network）进行 3D 流体模拟的创新方法，该方法采用双管线架构，并与基于注意力机制的特征融合模块无缝集成。以往的方法通常在全局流体控制和物理定律约束之间进行困难的权衡，与此不同，我们通过精心设计的双管线方法找到了在这两个关键方面之间取得更好平衡的途径。此外，我们设计了一个类型感知输入模块，以自适应地识别不同类型的粒子并在随后进行特征融合，从而能够更好地处理流固耦合问题。进一步地，我们提出了一个新数据集 Tank3D，以进一步探索网络处理更复杂场景的能力。实验表明，我们的方法不仅在各项指标上取得了定量提升，超越了 SOTA 方法，而且通过忠实地遵循物理定律，标志着基于神经网络的模拟实现了定性飞跃。代码和视频演示可在 https://github.com/chenyu-xjtu/DualFluidNet 获取。
引用
@article{arxiv.2312.16867,
title = {DualFluidNet: an Attention-based Dual-pipeline Network for FLuid Simulation},
author = {Yu Chen and Shuai Zheng and Menglong Jin and Yan Chang and Nianyi Wang},
journal= {arXiv preprint arXiv:2312.16867},
year = {2024}
}
备注
14 pages