CN112017267B - 基于机器学习的流体快速合成方法、装置、***和介质 - Google Patents

基于机器学习的流体快速合成方法、装置、***和介质 Download PDF

Info

Publication number
CN112017267B
CN112017267B CN201910451989.0A CN201910451989A CN112017267B CN 112017267 B CN112017267 B CN 112017267B CN 201910451989 A CN201910451989 A CN 201910451989A CN 112017267 B CN112017267 B CN 112017267B
Authority
CN
China
Prior art keywords
fluid
resolution
fluid velocity
velocity field
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910451989.0A
Other languages
English (en)
Other versions
CN112017267A (zh
Inventor
刘晓培
柏凯
李伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ShanghaiTech University
Original Assignee
ShanghaiTech University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ShanghaiTech University filed Critical ShanghaiTech University
Priority to CN201910451989.0A priority Critical patent/CN112017267B/zh
Publication of CN112017267A publication Critical patent/CN112017267A/zh
Application granted granted Critical
Publication of CN112017267B publication Critical patent/CN112017267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/60—3D [Three Dimensional] animation of natural phenomena, e.g. rain, snow, water or plants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供的一种基于机器学习的流体快速合成方法、装置、***和介质，通过获取一流体模型对应的包含不同分辨率的流体速度场数据，据以采集局部速度块的特征向量信息并形成流场数据集；将所述流场数据集作为预设多尺度字典神经网络的输入以得到所述高分辨率流体速度场对应的流体细节信息；依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成得到所述高分辨率流体速度场。本申请能够加速流体仿真过程，减少了计算资源消耗，节省存储空间，使得合成的结果增加细节的同时，保持高分辨率流体的重要结构信息，实现动态的交互式可视化，对于加速流体仿真过程以及基于物理的强化学习有着重要的意义和实际应用。

Description

基于机器学习的流体快速合成方法、装置、***和介质
技术领域
本发明涉及的计算机图形学中流体模拟、以及机器学习技术领域，特别是涉及一种基于机器学习的流体快速合成方法、装置、***和介质。
背景技术
流体的运动具有复杂且难以描述的特性，因此流体的真实模拟在计算机图形学和仿真领域是一个非常有挑战性的课题。流体模拟的可视化，被大量用于电影特效，游戏和虚拟现实VR等一些相关行业。因此如何得到一个逼真的流体场景，一直以来都是计算机图形学领域研究的一个难点。由于湍流复杂的特性，在流体模拟中会产生不同尺度的涡流，所以模拟逼真的流体不仅仅需要高精度的数值求解算法，同时还需要高分辨率的计算网格去捕捉流体的细小结构。
通常的方法是直接提升计算网格的分辨率或者使用自适用分辨率的计算网格求解得到高分辨率流体的结果，但是这种直接模拟流体不可避免的在计算上非常昂贵，需要大量的计算资源和时间开销，特别是对于大规模流体的场景。存储空间也非常受限，因此为了节省计算资源，提高效率，传统的数值方法首先在低分辨率的计算网格下进行仿真，然后用一些增加流体细节的简单模型得到高分辨率流体的结果。
但是现有常见模型存在一个共有的问题：即在低分辨率流体结果上添加一些细小结构，得到的流体结果，与通过直接仿真得到高分辨率流体的结果并不接近。高分辨率流体仿真结果中会出现的重要结构信息，比如涡环现象，这些模型的方法并不能在低分辨率流体数据下合成出来。合成高分辨率流体问题是非常困难的，到那时它又和图像的超分辨率的问题很不一样，若直接在低分辨率流体结果下增加一些流体细节并不能得到真正的高分辨率流体的结果。
因此，在计算资源有限的情况下，如何快速的合成与高分辨率流体的结果接近，具有真实感的高分辨的流体仿真结果是亟需解决的问题。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种基于机器学习的流体快速合成方法、装置、***和介质，以解决现有技术中在计算资源有限的情况下，如何快速的合成与高分辨率流体的结果接近，具有真实感的高分辨的流体仿真结果的问题。
为实现上述目的及其他相关目的，本申请提供一种基于机器学习的流体快速合成方法，所述方法包括：获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到所述高分辨率流体速度场对应的流体细节信息；依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成得到所述高分辨率流体速度场。
于本申请的一实施例中，所述局部速度块的采集方法包括：将所述低分辨率流体速度场进行插值，以使其分辨率达到所述高分辨率流体速度场的分辨率；然后在所述高分辨流体速度场和所述低分辨率流体速度场的对应位置上分别进行采集。
于本申请的一实施例中，所述特征向量信息包括：速度场信息、空间位置信息、及时间信息；所述速度场信息是通过高精度数值求解方法仿真得到；所述空间位置信息是通过摩顿码的二进制编码方式以近似表示所述流体模型的空间结构的位置信息得到；所述时间信息是基于所述流体模型在模拟过程中随时间变化的特性而提取的时间变量。
于本申请的一实施例中，所述稀疏系数是通过对输入的所述流场数据集中的所述特征向量信息进行编码得到，并采用渐进式优化方法迭代更新所述稀疏系数。
于本申请的一实施例中，所述多尺度字典神经网络中还预设有用于训练所述流场数据集的目标函数，并结合MSE损失函数、梯度损失函数、散度损失函数、及惩罚损失函数，以保证所述合成结果与所述流体速度场近似。
于本申请的一实施例中，基于所述高分辨率流体速度场对应的各所述局部速度块之间的合成相互独立，采用高度并行的合成算法以加速合成。
于本申请的一实施例中，所述特征向量信息包括：流体速度场、空间位置信息、及时间信息。所述高度并行的合成算法包括：对所述低分辨率流体速度场的进行插值，以使其分辨率达到所述高分辨率流体速度场的分辨率；在所述低分辨率流体速度场上相邻两所述局部速度块之间存在重叠时，依次选取各所述局部速度块，行记录相应位置；对选取各所述局部速度块加入当前所述局部速度块的空间位置信息、及时间信息，作为所述多尺度字典神经网络的输入；并行把所述多尺度字典神经网络的相关参数作用于每个网络输入上，得到所述高分辨率流体速度场的分辨率对应的所述局部速度块；依据记录的所述位置，将得到的所述高分辨率流体速度场的分辨率对应的所述局部速度块存到相应所述位置；对于相邻两所述局部速度块之间边界可能出现的不连续现象，通过高斯卷积滤波进行消除。
为实现上述目的及其他相关目的，本申请提供一种电子装置，所述装置包括：第一处理模块，用于获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；第二处理模块，用于将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到合成所述高分辨率流体速度场所需的流体细节信息；依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成所述高分辨率流体速度场。。
为实现上述目的及其他相关目的，本申请提供一种计算机***，所述设备包括：存储器、及处理器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如上所述的方法。
为实现上述目的及其他相关目的，本申请提供一种非暂时的计算机可读存储介质，存储有计算机指令，所述计算机指令被运行时执行如上所述的方法。
综上所述，本申请的一种基于机器学习的流体快速合成方法、装置、***和介质，通过获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到合成所述高分辨率流体速度场所需的流体细节信息；依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成所述高分辨率流体速度场。
具有以下有益效果：
1)基于字典学习神经网络，通过数据驱动的方式得到流体高频成分字典以及网络参数，需要空间资源非常小。
2)能够在有限的计算资源情况下，快速的合成大规模场景流体的细节部分和重要空间结构信息，可以处理流场中包含几何边界的情况，具备一定的泛化能力。
3)能够对高分辨率时变流场数据进行压缩，达到几百倍的压缩比，对于高分辨率时变流场数据的存储有着重要意义。
4)能够实现，动态的交互式流场可视化，基于GPU的并行实现解压并且快速渲染。
附图说明
图1显示为本申请于一实施例中的低分辨率和高分辨率的仿真烟雾的结果示意图。
图2显示为本申请于一实施例中的基于机器学习的流体快速合成方法的流程示意图。
图3显示为本申请于一实施例中的全连接网络结构示意图。
图4显示为本申请于一实施例中的烟雾的流体高频成分字典的截面示意图。
图5显示为本申请于一实施例中的多尺度字典神经网络的结构示意图。
图6A显示为本申请于一实施例中的带有球的不同烟雾结果的对比示意图。
图6B显示为本申请于一实施例中的撞击地面的不同烟雾结果的对比示意图。
图6C显示为本申请于一实施例中的低雷诺数的不同烟雾结果的对比示意图。
图6D显示为本申请于一实施例中的两股烟对撞的的不同烟雾结果的对比示意图。
图7显示为本申请于一实施例中的电子装置的模块示意图。
图8显示为本申请于一实施例中的计算机***的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面以附图为参考，针对本申请的实施例进行详细说明，以便本申请所属技术领域的技术人员能够容易地实施。本申请可以以多种不同形态体现，并不限定于此处说明的实施例。
为了明确说明本申请，省略与说明无关的部件，对于通篇说明书中相同或类似的构成要素，赋予了相同的参照符号。
在通篇说明书中，当说某部件与另一部件“连接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种部件“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素排除在外，而是意味着可以还包括其它构成要素。
当说某部件在另一部件“之上”时，这可以是直接在另一部件之上，但也可以在其之间伴随着其它部件。当对照地说某部件“直接”在另一部件“之上”时，其之间不伴随其它部件。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一接口及第二接口等描述。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
此处使用的专业术语只用于言及特定实施例，并非意在限定本申请。此处使用的单数形态，只要语句未明确表示出与之相反的意义，那么还包括复数形态。在说明书中使用的“包括”的意义是把特定特性、区域、整数、步骤、作业、要素及/或成份具体化，并非排除其它特性、区域、整数、步骤、作业、要素及/或成份的存在或附加。
表示“下”、“上”等相对空间的术语可以为了更容易地说明在附图中图示的一部件相对于另一部件的关系而使用。这种术语是指，不仅是在附图中所指的意义，还包括使用中的装置的其它意义或作业。例如，如果翻转附图中的装置，曾说明为在其它部件“下”的某部件则说明为在其它部件“上”。因此，所谓“下”的示例性术语，全部包括上与下方。装置可以旋转90°或其它角度，代表相对空间的术语也据此来解释。
虽然未不同地定义，但包括此处使用的技术术语及科学术语，所有术语均具有与本申请所属技术领域的技术人员一般理解的意义相同的意义。普通使用的字典中定义的术语追加解释为具有与相关技术文献和当前提示的内容相符的意义，只要未进行定义，不得过度解释为理想的或非常公式性的意义。
由于湍流复杂的特性，在流体模拟中会产生不同尺度的涡流，所以模拟逼真的流体不仅仅需要高精度的数值求解算法，同时还需要高分辨率的计算网格去捕捉流体的细小结构。
如图1所示，上面为低分辨率的仿真烟雾结果，下面为高分辨率的仿真烟雾结果。图中可以明显看出高分辨率下的仿真效果更具有真实感。
因此现有技术常见的做法还需要提升计算网格的分辨率或者使用自适用分辨率的计算网格求解得到高分辨率流体的结果，但是这种直接模拟流体不可避免的在计算上非常昂贵，需要大量的计算资源和时间开销，特别是对于大规模流体的场景。存储空间也非常受限。
为了节省计算资源，提高效率，传统的数值方法首先在低分辨率的计算网格下进行仿真，然后用一些增加流体细节的简单模型得到高分辨率流体的结果。
其中基于噪声的方法在低分辨率流体速度场上加一些扰动，达到增加细节的目的。另外基于简单湍流模型的方法，通过研究湍流的性质，根据湍流能量的方式弥补低分辨率流体丢失的细节。最近基于神经网络的方法也被应用于流体仿真领域，尝试通过GAN网络去解决流体的超分辨率问题，能够在低分辨率的流体数据上合成流体的细小结构信息。还有一些方法通过卷积神经网络，学习高分辨率流体块和低分辨率流体块的相似性描述符，合成带有丰富细节的流体结果。
但这些模型共有的问题是，在低分辨率流体结果上添加一些细小结构，得到的流体结果，与通过直接仿真得到高分辨率流体的结果并不接近。高分辨率流体仿真结果中会出现的重要结构信息，比如涡环现象，这些模型的方法并不能在低分辨率流体数据下合成出来。
最关键的问题在于，高分辨率的流体和低分辨率的流体在空间结构上是完全不一样的。直接在低分辨率流体结果下增加一些流体细节并不能得到真正的高分辨率流体的结果。当计算网格的分辨率差距很大的时候，流体在整体的形状和局部的细节都是不一样的。因此解决流体的超分辨率问题，需要保证合成的流体和高分辨率流体的结果足够接近，不仅需要考虑流体的局部细小结构，还需要考虑流体整体的空间结构息。
基于上述考虑，本申请提出一种基于机器学习的流体快速合成方法、装置、***和介质，在探索机器学习在流体仿真领域的应用的基础上，通过大量的流体数据驱动的方式，构造合适的网络结构加速流体模拟的过程。基于本申请提出的快速又小的方法，其能够在计算资源比较少的情况下，快速的合成具有真实感的高分辨的流体结果，并且实现动态的交互式可视化，同时还能够压缩高分辨率流体存储空间，对高分辨流体的可视化有着重要的意义。
如图2所示，展示为本申请一实施例中的基于机器学习的流体快速合成方法的流程示意图。如图所示，所述方法包括：
步骤S201：获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集。
建立流场训练数据集
本申请基于机器学习的方式，首先需要建立用于训练的流场数据集。
于本实施例中，通过高精度的数值仿真方法直接求解，可以得到不同计算网格分辨率下的流体速度场，即得到高分辨率流体和低分辨率流体的仿真数据。其中，所述数值仿真方法直为常见求解或仿真不同分辨率的流体速度场的方法。
需要说明的是，不同计算网格分辨率的流体的仿真结果设置的是相同的初始和边界条件，同时设置同等数值的雷诺数，以确保高分辨率流体和低分辨率流体属于同种性质的流体。
于本实施例中，在后续基于机器学习的训练中，将所述低分辨率的流体速度场数据作为网络输入，将所述高分辨率的流体速度场数据作为目标合成对象。
进一步地，将分别在高分辨流体速度场和低分辨率流体速度场对应位置上，充分的采集所述局部速度块的特征向量信息以形成流场数据集。
于本申请的一实施例中，所述局部速度块的采集方法包括：
A、将所述低分辨率流体速度场进行插值，以使其分辨率达到所述高分辨率流体速度场的分辨率；
B、然后在所述高分辨流体速度场和所述低分辨率流体速度场的对应位置上分别进行采集。
需要说明的是，所述局部速度块可以是高/低分辨率流体速度场的位置上一或多个局部的速度场，由于流水模型的复杂的特点，在流体模拟中会产生不同尺度的涡流，因此本申请通过若干个局部速度块来捕捉流体的细小结构，以充分体现容易丢失的细小结构。
于本申请的一实施例中，所述局部速度块的特征向量信息包括：速度场信息、空间位置信息、及时间信息。
于本实施例中，通过构造所述流体数据集的特征向量，能够在后续使得网络的特征输入不仅包含流体速度块的速度场信息(也可称局部信息，即现有技术中均采用的速度场或速度块的基本信息)，而且能够包含全局的空间位置信息和时间信息，从而帮助字典神经网络正确的预测低分辨率流体所缺少的局部高频成分。
其中，所述速度场信息是通过高精度数值求解方法仿真得到。
所述空间位置信息是通过摩顿码的二进制编码方式以近似表示所述流体模型的空间结构的位置信息得到。
具体来说，通过摩顿码(Morton Code)二进制编码的方式，可以近似的表示空间位置信息，对三维计算网格进行编码后，再把编码的值做归一化处理。这样编码的值可以包含流体速度场的空间结构信息，从而加入到流体数据集的特征中。
所述时间信息是基于所述流体模型在模拟过程中随时间变化的特性而提取的时间变量。
举例来说，首先对低分辨率流体速度场进行插值，得到和高分辨率速度场的空间分辨率大小一样的数据。为了易于理解，假设采取局部速度块是一个边长为c的立方体，因此分别在高分辨流体速度场和低分辨率流体速度场的对应位置上，充分的采集大小为3c3的局部速度块，拉伸为大小为3c3的一维向量。通过摩顿码(Morton Code)二进制编码的方式，可以近似的表示空间位置信息，对三维计算网格进行编码后，再把编码的值做归一化处理。这样编码的值可以包含流体速度场的空间结构信息，加入到流体数据特征中。同时考虑流体模拟随时间变化的特性，把时间变量也加入到流体数据特征中。因此对于神经网络的训练集，输入是一个4c3+1维的向量，由三种特征信息组成，3c3维的所述局部速度块的速度场信息，c3维的局部速度块的空间位置信息，1维的流体速度块的时间信息。而后续输出是一个3c3维的向量。
构建多尺度字典神经网络
在建立好用于训练的流场数据集，则预设所述多尺度字典神经网络的相关参数。
步骤S202：将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到合成所述高分辨率流体速度场所需的流体细节信息。
简单来说，所述多尺度字典神经网络MSDBNN(multi-scale dictionary-basedneural network)结构的搭建是基于字典神经网络，多尺度字典神经网络层与层之间的连接是全连接神经网络，所述全连接神经网络如图3所示。
把稀疏系数和流体的高频字典引入到网络模型中，同时采用渐进式优化方法迭代更新参数，即上一层训练得到的参数作为下一层网络的初始值。通过稀疏系数和字典合成高分辨率对应的流体细节，再加上输入特征中的低分辨率流体速度块信息，最后得到高分辨率流体速度场。
为便于理解，本申请中所述的高频字典可以理解为一个仓库，该仓库中有很多基本配件，可以由这些基本配件组成一个半成品，然后深加工可以得到最终产品。这些基本配件在字典中被称为基元素。也就是说本申请所述的方法在合成高分辨率流体速度场(最终产品)的过程中，首先由字典中的基元素合成流体速度场的高频部分-流体细节信息(半成品)，然后加上低分辨率的流体速度场(深加工)，最终合成高分辨率流体速度场(最终产品)。多尺度字典神经网络可以在仓库的基础上理解，字典相当于仓库，多尺度字典相当于有好几个仓库，也就是说流体速度场的高频部分(半成品)是由好几个仓库中的配件共同组装成。我们专利中目前都是以一个字典进行举例。其实这个可以很容易拓展到多尺度字典。要说明的是，上述举例描述仅为方便理解，该描述与实际过程稍微有些偏差，这里应该能够理解。
于本申请的一实施例中，所述稀疏系数是通过对输入的所述流场数据集中的所述特征向量信息进行编码得到，并采用渐进式优化方法迭代更新所述稀疏系数。
如图4所示，展示为本申请于一实施例中的烟雾的流体高频成分字典的截面示意图。
如图5所示，展示为本申请于一实施例中的多尺度字典神经网络的结构示意图。如图所示，为多尺度字典神经网络的特征输入，首先经过一个全连接网络层B，对输入的特征向量信息进行编码，然后经过渐进式的字典神经网络学习稀疏系数，同时更新优化神经网络中的高频成分字典ΔDh，通过稀疏系数和字典ΔDh合成高分辨率的流体细节，加上输入特征中的低分辨率的局部速度块相关信息(主要为速度场信息)，最后得到高分辨率流体的局部速度块。
βλ作为激活函数跟在每层全连接网络层后。在参数设置上，多尺度字典神经网络的参数S＝[S1,S2,..Sk]是每层独立的，这表示该网络拥有更大的自由度，更强的学习能力，同时能够加速神经网络的收敛。
于本申请的一实施例中，所述多尺度字典神经网络中还预设有用于训练所述流场数据集的目标函数，并结合MSE损失函数、梯度损失函数、散度损失函数、及惩罚损失函数，以保证所述合成结果与所述流体速度场近似。
于本实施例中，所述目标函数的目的是使得多尺度字典神经网络中的字典能够包含高分辨率的流体细节和重要空间结构信息。
需要说明的是，MSE(Mean Squared Error)损失函数用于衡量合成结果与目标结果的差距，但其不足以保证得到正确的流体结果。因此需加入对应所述局部速度块的梯度损失函数，以使多尺度字典神经网络能够学习流体的空间结构信息。同时加入散度损失函数，可以保证流场的不可压缩性质。为了防止出现过拟合的现象，还可以引入正则化的损失函数。综上，联合四种损失函数，不仅可以学习流体速度块的信息，而且能够促使网络的结果包含高频的空间结构信息，从而保证合成的结果与高分辨率流体足够近似。
于本实施例中，多尺度字典神经网络的优化目标函数为：
其中，代表的是k层多尺度字典神经网络的输出结果，代表输出局部速度块的梯度，参数θ＝[B,S,λ,ΔDh]采用Adam算法进行反向传播更新优化。
Adam算法因为调节参数简单，高效的计算，所需的内存少，适合解决大规模数据和参数的优化问题，及包含很高噪声或稀疏梯度的问题，被大量的用于神经网络的优化。
合成高分辨率流体速度场
步骤S203：依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成得到所述高分辨率流体速度场。
基于步骤S202中所述的稀疏系数和流体高频成分字典合成高分辨率的流体细节信息，加上输入特征中的低分辨率流体速度块的相关信息(主要为速度场信息)，最后得到高分辨率流体的速度块。
于本申请的一实施例中，基于所述高分辨率流体速度场对应的各所述局部速度块之间的合成相互独立，采用高度并行的合成算法以加速合成。
于本实施例中，所述多尺度字典神经网络输入是基于局部低分辨率流体速度场的信息，对于局部流体速度块的合成，相互之间没有影响，因此可以设计高效的GPU并行算法，合成在时间和空间上连续的高分辨率流体速度场，其能够大大加速目前的流体仿真过程，实现动态的交互式可视化。
举例来说，在并行算法的整个流程，包括多尺度字典神经网络架构，全部可以基于CUDA在GPU上面实现。
于本申请的一实施例中，所述特征向量信息包括：流体速度场、空间位置信息、及时间信息。所述高度并行的合成算法包括：
1)对所述低分辨率流体速度场的进行插值，以使其分辨率达到所述高分辨率流体速度场的分辨率。
2)在所述低分辨率流体速度场上相邻两所述局部速度块之间存在重叠时，依次选取各所述局部速度块，行记录相应位置。
于本实施例中，在低分辨率流场上，在保持相邻的速度块之间有重叠情况下，依次选取大小为3c3的低分辨率流体速度块，同时记录每个速度块的位置P。
3)对选取各所述局部速度块加入当前所述局部速度块的空间位置信息、及时间信息，作为所述多尺度字典神经网络的输入。
于本实施例中，对于每个选取的速度块，按照流体数据特征的构造方式，加入当前速度块的空间时间特征信息，组成4c3+1维向量，作为MSDBNN神经网络的输入。
4)并行把所述多尺度字典神经网络的相关参数作用于每个网络输入上，得到所述高分辨率流体速度场的分辨率对应的所述局部速度块。
于本实施例中，并行的把多尺度字典神经网络参数，作用于每个网络输入上，得到3c3维的高分辨率流体速度场。然后把c3的一维的向量按照流体空间结构信息，构造成3c3大小的三维流体速度块。
5)依据记录的所述位置，将得到的所述高分辨率流体速度场的分辨率对应的所述局部速度块存到相应所述位置。
根据步骤2)中记录的每个速度块的位置P，把合成的流体速度块存到相应的位置。
6)对于相邻两所述局部速度块之间边界可能出现的不连续现象，通过高斯卷积滤波进行消除。
最后，通过粒子渲染可以得到真实性的流体结果。
如图6A-6D所示，分别展示带有球的、撞击地面的、低雷诺数的、以及两股烟对撞的三种烟雾结果的对比示意图，所述三种效果分别为：图左为低分辨率结果，图中合成高分辨结果，图右仿真高分辨率结果。从图中，我们可以看出，所述仿真高分辨率结果虽然比低分辨率结果要好不少，但是基于本申请所述方法合成的高分辨结果，明显更具有真实感。
于本实施例中，多尺度字典神经网络训练完成后，可以从非常低分辨率的流体数据下，快速的合成时间和空间上都保持连续的高分辨率湍流流体结果，并且和数值求解方法得到高分辨率的湍流流体结果非常接近。计算效率上也大大提升，与通过在GPU平台上数值方法求解得到高分辨率的湍流流体相比，提出的方法快了一个数量级，加速了目前湍流流体模拟的过程，减少了计算资源和时间的消耗。
另外，在一些实施例中，基于本申请所述的基于机器学习的流体快速合成方法，还提出一种压缩方法，能够进一步节省高分辨率流体的存储空间。
例如，在针对建立流场训练数据集的环节上，与之相应的能够建立压缩的流场训练数据集。
具体来说，首先通过高精度的数值仿真方法求解，得到需要压缩的高分辨率流体速度场。把高分辨率流体速度场的每个局部3c3的速度块，取平均值作为低分辨流体场。然后分别在高分辨流体速度场和低分辨率流体速度场的对应位置上，充分的采集大小为3c3的速度块，拉伸为大小为3c3的一维向量。后续与步骤S201、S202的大部分内容相同，这里不再赘述。。
在多尺度字典神经网络完成训练后，生成的高分辨率的流体场，已经被压缩成网络参数和平均值流体速度场的形式。由于平均值流体速度场和网络参数的存储空间非常小，因此可以节省大量的存储空间，把几百G的高分辨率流体速度场数据压缩到几百M，达到几百倍的压缩比。通过GPU并行化的算法，实现神经网络的过程，可以快速的合成高分辨率流体速度场。从而在GPU平台上实现对高分辨率流体速度场的动态交互式可视化。
简单来说，本申请所述的压缩方法与图2所述的基于机器学习的流体快速合成方法，二者核心方法是类似的，区别仅在于数据的处理方式不一样。
综上，针对目前高精度湍流模拟速度慢，仿真困难的现状。提出多尺度字典神经网络的快速流体仿真和压缩方法，能够快速的合成湍流，节省高分辨率流体的存储空间，使得合成的结果增加细节的同时，保持高分辨率流体的重要结构信息。
本申请所述方法首先根据高精度的数值仿真求解方法，得到湍流数据；然后通过采集局部速度块的信息，及相应的空间位置信息和时间特征生成数据集；其次设计多尺度字典神经网络的网络架构，训练出湍流高频成分字典的预测器；最后通过GPU上实现并行化的算法，快速的合成空间和时间上连续的高分辨湍流结果，与GPU平台上直接仿真得到高分辨率湍流的结果相比，速度快了一个数量级。本申请所述方法主要适用于以下两个方面，第一，加速流体的仿真过程，包括流体场中涵盖的复杂几何边界，可以用于基于物理的强化学习训练，减少训练所需的时间开销。第二，能够对高分辨率时变流场数据进行压缩。基于GPU的编程渲染，实现动态的交互式可视化。
如图7所示，展示为本申请于一实施例中的电子装置的模块示意图。如图所示，所述装置700包括：
第一处理模块701，用于获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；
第二处理模块702，用于将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到合成所述高分辨率流体速度场所需的流体细节信息；依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成所述高分辨率流体速度场。
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请所述方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。
还需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，第一处理模块701可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上第一处理模块701的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital signal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上***(system-on-a-chip，简称SOC)的形式实现。
如图8所示，展示为本申请于一实施例中的计算机***的结构示意图。如图所示，所述计算机***800包括：存储器801、及处理器802；所述存储器801用于存储计算机指令；所述处理器802运行计算机指令实现如图2所述的方法。
在一些实施例中，所述计算机***800中的所述存储器801的数量均可以是一或多个，所述处理器802的数量均可以是一或多个，而图8中均以一个为例。
于本申请一实施例中，所述计算机***800中的处理器802会按照如图2所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器801中，并由处理器802来运行存储在存储器802中的应用程序，从而实现如图2所述的方法。
所述存储器801可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。所述存储器501存储有操作***和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作***可包括各种***程序，用于实现各种基础业务以及处理基于硬件的任务。
所述处理器802可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在一些具体的应用中，所述计算机***800的各个组件通过总线***耦合在一起，其中总线***除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清除说明起见，在图8中将各种总线都成为总线***。
于本申请的一实施例中，本申请提供一种非暂时的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图2所述的方法。
所述计算机可读存储介质，本领域普通技术人员可以理解：实现上述***及各单元功能的实施例可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述***及各单元功能的实施例；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请提供的一种基于机器学习的流体快速合成方法、装置、***和介质，通过获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到所述高分辨率流体速度场对应的流体细节信息；依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成得到所述高分辨率流体速度场，对于加速流体仿真过程以及基于物理的强化学习有着重要的意义和实际应用。
本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包含通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (9)

1.一种基于机器学习的流体快速合成方法，其特征在于，所述方法包括：
获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；
将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到所述高分辨率流体速度场对应的流体细节信息；
依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成得到所述高分辨率流体速度场；
所述流场数据集的建立方式包括：通过高精度的数值仿真方法直接求解得到不同计算网格分辨率下的流体速度场，以得到高分辨率流体和低分辨率流体的仿真数据；将分别在高分辨流体速度场和低分辨率流体速度场对应位置上，充分的采集所述局部速度块的特征向量信息以形成流场数据集；
所述局部速度块的采集方法包括：将所述低分辨率流体速度场进行插值，以使其分辨率达到所述高分辨率流体速度场的分辨率；然后在所述高分辨流体速度场和所述低分辨率流体速度场的对应位置上分别进行采集；
在建立好用于训练的流场数据集，则预设所述多尺度字典神经网络的相关参数；所述多尺度字典神经网络的搭建是基于字典神经网络，多尺度字典神经网络层与层之间的连接是全连接神经网络；把稀疏系数和流体的高频字典引入到网络模型中，同时采用渐进式优化方法迭代更新参数，以使上一层训练得到的参数作为下一层网络的初始值；通过稀疏系数和字典合成高分辨率对应的流体细节，再加上输入特征中的低分辨率流体速度块信息，最后得到高分辨率流体速度场。
2.根据权利要求1所述的基于机器学习的流体快速合成方法，其特征在于，所述特征向量信息包括：速度场信息、空间位置信息、及时间信息；
所述速度场信息是通过高精度数值求解方法仿真得到；
所述空间位置信息是通过摩顿码的二进制编码方式以近似表示所述流体模型的空间结构的位置信息得到；
所述时间信息是基于所述流体模型在模拟过程中随时间变化的特性而提取的时间变量。
3.根据权利要求1所述的基于机器学习的流体快速合成方法，其特征在于，所述稀疏系数是通过对输入的所述流场数据集中的所述特征向量信息进行编码得到，并采用渐进式优化方法迭代更新所述稀疏系数。
4.根据权利要求1所述的基于机器学习的流体快速合成方法，其特征在于，所述多尺度字典神经网络中还预设有用于训练所述流场数据集的目标函数，并结合MSE损失函数、梯度损失函数、散度损失函数、及惩罚损失函数，以保证合成结果与所述流体速度场近似。
5.根据权利要求1所述的基于机器学习的流体快速合成方法，其特征在于，基于所述高分辨率流体速度场对应的各所述局部速度块之间的合成相互独立，采用高度并行的合成算法以加速合成。
6.根据权利要求5所述的基于机器学习的流体快速合成方法，其特征在于，所述特征向量信息包括：流体速度场、空间位置信息、及时间信息；所述高度并行的合成算法包括：
对所述低分辨率流体速度场的进行插值，以使其分辨率达到所述高分辨率流体速度场的分辨率；
在所述低分辨率流体速度场上相邻两所述局部速度块之间存在重叠时，依次选取各所述局部速度块，行记录相应位置；
对选取各所述局部速度块加入当前所述局部速度块的空间位置信息、及时间信息，作为所述多尺度字典神经网络的输入；
并行把所述多尺度字典神经网络的相关参数作用于每个网络输入上，得到所述高分辨率流体速度场的分辨率对应的所述局部速度块；
依据记录的所述位置，将得到的所述高分辨率流体速度场的分辨率对应的所述局部速度块存到相应所述位置；
对于相邻两所述局部速度块之间边界可能出现的不连续现象，通过高斯卷积滤波进行消除。
7.一种电子装置，其特征在于，所述装置包括：
第一处理模块，用于获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；
第二处理模块，用于将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到合成所述高分辨率流体速度场所需的流体细节信息；依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成所述高分辨率流体速度场；
其中，所述第一处理模块建立所述流场数据集的方式包括：通过高精度的数值仿真方法直接求解得到不同计算网格分辨率下的流体速度场，以得到高分辨率流体和低分辨率流体的仿真数据；将分别在高分辨流体速度场和低分辨率流体速度场对应位置上，充分的采集所述局部速度块的特征向量信息以形成流场数据集；所述局部速度块的采集方法包括：将所述低分辨率流体速度场进行插值，以使其分辨率达到所述高分辨率流体速度场的分辨率；然后在所述高分辨流体速度场和所述低分辨率流体速度场的对应位置上分别进行采集；
所述第二处理模块在建立好用于训练的流场数据集，则预设所述多尺度字典神经网络的相关参数；所述多尺度字典神经网络的搭建是基于字典神经网络，多尺度字典神经网络层与层之间的连接是全连接神经网络；把稀疏系数和流体的高频字典引入到网络模型中，同时采用渐进式优化方法迭代更新参数，以使上一层训练得到的参数作为下一层网络的初始值；通过稀疏系数和字典合成高分辨率对应的流体细节，再加上输入特征中的低分辨率流体速度块信息，最后得到高分辨率流体速度场。
8.一种计算机***，其特征在于，所述计算机***包括：存储器、及处理器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如权利要求1至6中任意一项所述的方法。
9.一种非暂时的计算机可读存储介质，其特征在于，存储有计算机指令，所述计算机指令被运行时执行如权利要求1至6中任一项所述的方法。
CN201910451989.0A 2019-05-28 2019-05-28 基于机器学习的流体快速合成方法、装置、***和介质 Active CN112017267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910451989.0A CN112017267B (zh) 2019-05-28 2019-05-28 基于机器学习的流体快速合成方法、装置、***和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910451989.0A CN112017267B (zh) 2019-05-28 2019-05-28 基于机器学习的流体快速合成方法、装置、***和介质

Publications (2)

Publication Number Publication Date
CN112017267A CN112017267A (zh) 2020-12-01
CN112017267B true CN112017267B (zh) 2023-07-25

Family

ID=73500484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910451989.0A Active CN112017267B (zh) 2019-05-28 2019-05-28 基于机器学习的流体快速合成方法、装置、***和介质

Country Status (1)

Country Link
CN (1) CN112017267B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113509731B (zh) * 2021-05-19 2024-06-04 网易（杭州）网络有限公司 流体模型处理方法及装置、电子设备、存储介质
CN114580252A (zh) * 2022-05-09 2022-06-03 山东捷瑞数字科技股份有限公司 一种用于流体仿真的图神经网络仿真方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2711857A1 (en) * 2012-09-25 2014-03-26 Fujitsu Limited Thermofluid simulation method and thermofluid simulation apparatus
WO2019033903A1 (zh) * 2017-08-14 2019-02-21 歌尔股份有限公司 虚拟现实的图形渲染方法和装置
CN109614631A (zh) * 2018-10-18 2019-04-12 清华大学 基于强化学习和迁移学习的飞行器全自动气动优化方法
CN109741256A (zh) * 2018-12-13 2019-05-10 西安电子科技大学 基于稀疏表示和深度学习的图像超分辨率重建方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102359863B (zh) * 2011-08-12 2013-12-04 北京航空航天大学 一种验证流固耦合算法的流体驱动结构高速转动试验装置
CN105006015B (zh) * 2015-02-12 2018-01-02 上海交通大学 基于位置的流体模拟控制方法及***
US10489533B2 (en) * 2015-07-31 2019-11-26 Autodesk, Inc. Techniques for warm starting finite element analyses with deep neural networks
US9892225B2 (en) * 2016-04-01 2018-02-13 International Business Machines Corporation Method for optimizing the design of micro-fluidic devices
CN105931179B (zh) * 2016-04-08 2018-10-26 武汉大学 一种联合稀疏表示与深度学习的图像超分辨率方法及***
US10740509B2 (en) * 2017-08-14 2020-08-11 Autodesk, Inc. Machine learning three-dimensional fluid flows for interactive aerodynamic design

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2711857A1 (en) * 2012-09-25 2014-03-26 Fujitsu Limited Thermofluid simulation method and thermofluid simulation apparatus
WO2019033903A1 (zh) * 2017-08-14 2019-02-21 歌尔股份有限公司 虚拟现实的图形渲染方法和装置
CN109614631A (zh) * 2018-10-18 2019-04-12 清华大学 基于强化学习和迁移学习的飞行器全自动气动优化方法
CN109741256A (zh) * 2018-12-13 2019-05-10 西安电子科技大学 基于稀疏表示和深度学习的图像超分辨率重建方法

Also Published As

Publication number Publication date
CN112017267A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN108804094B (zh) 学习自动编码器
Zhang et al. Joint task-recursive learning for semantic segmentation and depth estimation
Chen et al. Visibility-aware point-based multi-view stereo network
US10210594B2 (en) Deep learning via dynamic root solvers
US11995526B2 (en) Modelling operations on functional structures
Deng et al. Topology optimization based on deep representation learning (DRL) for compliance and stress-constrained design
CN105427360B (zh) 一种动态网格的误差可控cage序列表示算法
CN112017267B (zh) 基于机器学习的流体快速合成方法、装置、***和介质
JP2021131854A (ja) 変形の基礎学習
CN116863194A (zh) 一种足溃疡图像分类方法、***、设备及介质
Li et al. Dual-streams edge driven encoder-decoder network for image super-resolution
Bai et al. Predicting high-resolution turbulence details in space and time
Rade et al. Deep learning-based 3D multigrid topology optimization of manufacturable designs
Obukhov et al. Tt-nf: Tensor train neural fields
Guo et al. Efficient convolutional networks learning through irregular convolutional kernels
Yang et al. Finite element mesh deformation with the skeleton-section template
Mao et al. Hardware accelerator design for sparse dnn inference and training: A tutorial
Brittain et al. Multifidelity Aerodynamic Flow Field Prediction Using Conditional Adversarial Networks
Wang et al. Stacked generative machine learning models for fast approximations of steady-state Navier-Stokes equations
Hart et al. SelectionConv: convolutional neural networks for non-rectilinear image data
Li et al. Design representation for performance evaluation of 3D shapes in structure-aware generative design
Almasri et al. Shape related constraints aware generation of Mechanical Designs through Deep Convolutional GAN
Bouaafia et al. Deep CNN Co-design for HEVC CU Partition Prediction on FPGA–SoC
Kang et al. Neural style transfer for 3D meshes
Mlakar et al. AlSub: fully parallel and modular subdivision

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant