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。