Page 283 - 《软件学报》2020年第10期

肖祥云 等:基于物理及数据驱动的流体动画研究 3259

体的时空变形特征加以表示,并且提供了一个基于移动端(手机)的交互式移动应用程序.而在优化水花飞溅模
拟的效果上,文献[106]利用了深度学习技术(NNs),可以使液体模拟具有更多的水花细节,使得模拟效果更加真
实.Ma 等人 [107] 提出了一种基于深度强化学习的流体与刚体耦合的二维控制系统,该控制系统可以很好地完成
例如通过控制流体射速等来保持刚体平衡、驱动刚体按顺序撞击墙上的指定点等具有挑战性的任务.该方法很
好地利用了卷积神经网络自编码器(auto-encoder)进行输入变量的降维.

(a)~(c)为细节合成结果; (a 1)~(c 1)为低分辨率基准
Fig.10 Result from smoke synthesis method [99] based on CNN
图 10 文献[99]中基于 CNN 的烟雾细节合成方法的部分结果

(a) 文献[101]中的 GAN 网络框架; (b 1)~(b 3)子图分别为低分辨率网络输入、算法结果、高分辨率参考结果

Fig.11
图 11

2.4 基于数据驱动的流体动画模拟研究的几个关键问题及研究趋势和方向
虽然基于数据驱动的流体动画模拟在近些年来发展得非常迅速,也产生了非常多的优秀工作,例如本文第
2.3 节介绍的各种深度学习算法在流体模拟中的应用,但其中仍然存在很多问题没有得到解决,还有许多方向可
以作进一步的深入研究.下面,本文就数据驱动的流体动画模拟研究提出几个关键问题,并对其未来的研究趋势
和方向加以进一步讨论.
2.4.1 数据集表达流体运动的复杂性
在基于数据驱动的流体动画研究中,如何更好地利用少量数据集或大量数据集来有效地表征和表达出流
体运动的复杂性,仍有待进一步挖掘和研究.诸如众多传统的流体解算方法(多重网格法 [14,19] 、细节增强方
法 [65,67] 等),都在乎如何有效地计算或者表现出复杂的流体现象.而很多数据驱动方法(如 Yang 等人 [93] 、Xiao 等
人 [96,108] 提出的方法)将目标定于计算效率上,对如何更好地表现出流体本身的运动复杂性,仍需要更多的探索
和研究.例如,如何更好地利用数据驱动算法的预计算/训练数据集来预测/模拟远离数据集的更为复杂的流体