[论文解读] Generating Liquid Simulations with Deformation-aware Neural Networks

Lukas Prantl, Boris Bonev+1 more|arXiv (Cornell University)|Apr 25, 2017

Computer Graphics and Visualization Techniques参考文献 48被引用 14

一句话总结

本文提出了一种变形感知神经网络框架，通过结合预计算的时空变形与两阶段神经架构，学习生成复杂的液体模拟。该方法通过使用权重网络进行变形选择，并利用生成网络合成密集的变形场，实现了超过2000倍于传统求解器的实时、高保真液体动画，同时借助稳健的梯度计算实现精确的物理行为建模。

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.

研究动机与目标

• 为在不同初始条件下高效模拟具有拓扑变化的复杂非线性液体行为提供解决方案。
• 实现实时、物理合理的液体表面生成，而无需依赖图像空间投影。
• 开发一种可微分的、基于梯度的训练框架，以捕捉多重变形的对齐与累积效应。
• 通过紧凑的低存储表示，实现交互式、移动端兼容的液体模拟。
• 在保持溅射和流动动力学等细微细节的同时，显著提升传统数值求解器的速度。

提出的方法

• 采用两阶段神经网络架构：首先，权重网络根据输入参数计算一组预计算体积变形场的系数。
• 其次，生成神经网络从加权输入中合成密集且精细的变形场，以生成最终的时空符号距离函数（SDF）。
• 设计了一种自定义损失函数，用于编码变形的物理效应，包括连续变形场之间的对齐，通过可微分的梯度计算实现端到端训练。
• 该方法将4D液体表面表示为变形SDF，其中变形从高保真模拟中学习，实现紧凑存储（少于两个完整SDF）。
• 该方法利用已知的输入参数范围，实现高效推理，并可在移动设备上实现实时评估。
• 通过优化的推理流水线实现移动端应用，展示了可交互的液体模拟，支持动态参数调整。

实验结果

研究问题

• RQ1 神经网络架构能否有效学习组合预计算变形，以高保真度重建复杂的液体表面动力学？
• RQ2 在可微分框架中，如何使组合多个非线性、空间变化的变形时的梯度计算更加稳健和准确？
• RQ3 与直接SDF插值相比，紧凑的基于变形的表示在存储效率和视觉质量方面能有多大优势？
• RQ4 所提出的方法能否在移动硬件上实现实时性能，同时保留溅射和拓扑变化等复杂物理现象？
• RQ5 预计算变形的数量如何影响所学习模拟空间的质量与泛化能力？

主要发现

• 与传统数值求解器相比，该方法实现了超过2000倍的速度提升，且在安卓移动设备上实现了实时性能。
• 该方法仅使用约200万个标量值即可完整表示模拟——少于两个完整SDF，展示了极高的存储效率。
• 在相似内存占用下，直接SDF插值会产生严重的鬼影伪影，且无法保留溅射细节，而所提方法保持了高视觉保真度。
• 移动端实现达到了交互帧率：SDF评估耗时69ms，变形对齐耗时21.5ms（在三星S8上）。
• 使用考虑变形对齐的损失函数显著提升了累积变形效应的准确性，尤其在边界条件变化的复杂流动中表现更优。
• 增加预计算变形数量可提升视觉质量，但当变形已与目标行为高度匹配时，增益逐渐减小。