基于生成网络的频率感知流体模拟重建
机器学习
2020-05-29 v1 图形学
计算物理
机器学习
摘要
卷积神经网络近来被用于从一组降维参数完全重建流体模拟数据。然而，由于传统上以有监督 L1 损失函数训练的（反）卷积不区分数据中的低频与高频，误差在较高频段未被高效最小化。这与感知结果的质量直接相关，因为缺失的高频细节易于被察觉。本文中，我们分析生成网络的重建质量，并提出一种在训练时聚焦于数据集特定频段的频率感知损失函数。我们表明，该方法在中频段改善了流体模拟数据的重建质量，在所需训练时间相当的情况下产生感知上更优的结果。
引用
@article{arxiv.1912.08776,
title = {Frequency-Aware Reconstruction of Fluid Simulations with Generative Networks},
author = {Simon Biland and Vinicius C. Azevedo and Byungsoo Kim and Barbara Solenthaler},
journal= {arXiv preprint arXiv:1912.08776},
year = {2020}
}
备注
Submitted to Eurographics2020