基于注意力的时间连续框架下流体状态插值和编辑学习
原文中文，约300字，阅读约需1分钟。发表于：。在这项工作中，我们介绍了 FluidsFormer：一种基于 Transformer 的方法，用于在连续时间框架内进行流体插值。通过结合 PITT 和残差神经网络（RNN）的能力，我们可以对流体状态的物理属性进行解析预测，从而使我们能够在模拟关键帧之间插值子步帧，提高动画的时间平滑性和清晰度。我们展示了在烟雾插值方面的有 promising 结果，并对液体进行了初步实验。
FluidsFormer是一种基于Transformer的方法，用于在连续时间框架内进行流体插值。它结合了PITT和残差神经网络的能力，可以预测流体状态的物理属性，从而提高动画的时间平滑性和清晰度。该方法在烟雾插值方面有着有希望的结果，并进行了液体的初步实验。
