本研究探讨生成模型在样本数据子空间内的合成能力，提出正交子空间分解网络(OSDNet)，有效分解速度场，确保生成样本的相似性和多样性。

我们提出了HyFluid神经方法，用于联合推断流体密度和速度场，解决流体速度的视觉模糊性和湍流性挑战，并成功恢复涡旋流细节，为三维不可压缩流体的学习和重建应用提供可能性。