[논문 리뷰] Pre-computed Liquid Spaces with Generative Neural Networks and Optical Flow

Boris Bonev, Lukas Prantl외 1명|arXiv (Cornell University)|2017. 04. 25.

Computer Graphics and Visualization Techniques참고 문헌 13인용 수 15

한 줄 요약

이 논문은 사전에 계산된 액체 변형 필드와 광학 흐름을 사용하여 복잡하고 위상이 변화하는 액체 표면의 시공간 표현을 학습하는 이단계 신경망 프레임워크를 제안한다. 가중치 네트워크와 물리학 인식 손실 함수를 갖춘 정밀화 생성기로 구성되어 실시간으로 변형을 고려한 표면 합성을 가능하게 하여 동적인 액체 시뮬레이션에 적합하다.

ABSTRACT

We propose a novel approach for deformation-aware neural networks that learn the weighting and synthesis of dense volumetric deformation fields. Our method specifically targets the space-time representation of physical surfaces from liquid simulations. Liquids exhibit highly complex, non-linear behavior under changing simulation conditions such as different initial conditions. Our algorithm captures these complex phenomena in two stages: a first neural network computes a weighting function for a set of pre-computed deformations, while a second network directly generates a deformation field for refining the surface. Key for successful training runs in this setting is a suitable loss function that encodes the effect of the deformations, and a robust calculation of the corresponding gradients. To demonstrate the effectiveness of our approach, we showcase our method with several complex examples of flowing liquids with topology changes. Our representation makes it possible to rapidly generate the desired implicit surfaces. We have implemented a mobile application to demonstrate that real-time interactions with complex liquid effects are possible with our approach.

연구 동기 및 목표

• 시간에 따라 복잡하고 비선형적인 액체 변형을 고정밀도로 표현하는 데 도전하는 데 목적을 두며.
• 위상 변화가 수반되는 액체 시뮬레이션으로부터 암묵적 표면을 신속하게 실시간으로 생성하는 것을 목적으로 한다.
• 변형 효과를 적절한 손실 및 기울기 계산을 통해 포착하는 미분 가능 프레임워크를 개발하는 데 목적이 있다.
• 학습된 변형 필드를 활용하여 이동 기기에서의 배포 가능성을 입증하는 데 목적이 있다.

제안 방법

• 첫 번째 신경망은 초기 조건의 변화에 대응하기 위해 사전에 계산된 부피 변형 필드 집합에 대해 가중치 함수를 계산한다.
• 두 번째 신경망은 직접적으로 표면 합성을 위한 정밀화된 변형 필드를 생성하여 고정밀 재구성을 가능하게 한다.
• 이 방법은 변형의 시각적 및 동적 효과를 캡처하여 훈련을 안내하는 물리학 인식 손실 함수를 사용한다.
• 변형 파이프라인 전반에 걸쳐 안정적으로 기울기를 계산하여 두 네트워크의 엔드 투 엔드 훈련을 지원한다.
• 광학 흐름은 시뮬레이션 프레임 간의 시간 일관성과 운동을 모델링하는 데 사용된다.
• 프레임워크는 시뮬레이션 조건에서 암묵적 액체 표면으로의 매핑을 학습하기 위해 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 신경망은 어떻게 복잡한 액체 거동을 위한 조밀한 부피 변형 필드의 가중치를 효과적으로 학습하고 합성할 수 있는가?
• RQ2 정확하고 미분 가능한 감독을 위한 변형 인식 액체 표면 생성에 적합한 손실 함수 설계는 무엇인가?
• RQ3 사전에 계산된 변형 필드와 신경망 정밀화를 조합하면 이동 기기에서 실시간 성능를 달성할 수 있는가?
• RQ4 이 방법은 분리 또는 융합과 같은 액체 시뮬레이션의 위상 변화를 얼마나 잘 처리하는가?

주요 결과

• 이 방법은 분리 또는 융합와 같은 위상 변화를 포함한 복잡하고 비선형적인 액체 역학을 성공적으로 포착한다.
• 물리학 인식 손실 함수의 사용이 생성된 표면의 시각적 정밀도와 일관성에 크게 기여한다.
• 강력한 기울기 계산은 두 단계 네트워크 아키텍처의 안정적이고 효과적인 엔드 투 엔드 훈련을 가능하게 한다.
• 프레임워크는 실시간 추론 성능를 달성하여 이동 기기에서 상호작용 가능한 액체 효과를 지원한다.