Neural UpFlow：一种基于场景流学习以提升粒子液体表观分辨率的方法

我们提出了一种新颖的上采样技术，用于基于使用深度神经网络的场景流估计来生成高分辨率液体。我们的方法仅从低分辨率基于粒子的液体模拟中推断并合成小尺度与大尺度细节。所提出的网络利用邻域贡献在卷积过程中编码固有的液体属性。我们还提出了一种基于粒子的插值方法，使用最先进的双向光流求解器方法用于流体，以及一种新颖的关键事件拓扑对齐约束，在不同模拟离散化生成的液体之间进行插值。结合邻域贡献，我们的损失公式允许推断模型在多个训练轮次中奖励关于模拟离散化中显著差距的重要差异。即使在未测试的模拟设置中应用，我们的方法也能生成合理的高分辨率细节。利用该插值方法与预测的位移，我们的方法将输入液体属性与预测运动结合以推断半拉格朗日平流。我们还展示了所提出的插值方法如何有助于以子集初始条件参数生成大型模拟数据集。