[发明专利]一种基于数据驱动的流体动画参数估计与细节增强方法

说明书

本发明公开了一种基于数据驱动的流体动画参数估计与细节增强方法，其特点是流体动画参数估计与细节增强具体包括：基于卷积神经网络的流体物理参数估计、基于欧拉法的重仿真或流体动画设计和基于卷积神经网络的流体动画细节增强等步骤，利用参数估计获取的物理参数组合，对输入场景或用户设计场景进行重新模拟，利用卷积神经网络快速重建高分辨速度场，指导在高分辨率网格上的快速重仿真，从而在不增加额外计算开销的情况下获得更丰富、更真实的细节。本发明与现有技术相比具有快速获取仿真场景的物理参数组合，并提供了高效可控的流体动画重仿真模式，具有一定的实用价值。

技术领域

本发明涉及计算机图形学技术领域，具体地说是一种借用大量训练数据以及人工神经网络，进行流体动画物理参数估计与细节增强的方法。

背景技术

随着刚体动画仿真技术日益成熟，近年来烟雾固体耦合现象的动画仿真在娱乐与工程领域的应用中开始受到更多的关注。烟雾现象的仿真中普遍存在的一个问题是，由于物理模型和数值求解器的参数敏感性，参数设置的小幅变化常常会导致完全不同的烟雾仿真结果。因此对于烟雾动画的人工设计，基于物理的方法可能难以获得符合用户预期的结果。中国专利文献号CN201510751615.2，公开日期2016-03-09，提供了一种基于流体分析的流体参数估计方法，该方法利用经验模态分解与流体速度场降维的方法进行流体参数估计，分析优化复杂耗时。

基于物理的高分辨率烟雾-固体耦合仿真经常需要不菲的计算成本和内存消，然而在许多应用中，绝对的物理准确性通常不是首要目标。例如，动画设计人员倾向于首先使用实时的低分辨率仿真来设计与控制特定的烟雾场景，然后运行高分辨率仿真以获得更丰富的细节。但在实践应用中，受限于不同的分辨率会改变模拟的整体运动趋势，这种自然产生的想法通常并不奏效。

为了改善这个问题，研究人员提出了许多综合考虑指导信息和物理模型的折衷方法。You×ie等人在《ACM Transaction on Graphics》上发表的《tempoGAN：A TemporallyCoherent，Volumetric GAN for Super-resolution Fluid Flow》(2018年)一文中通过收集大量流体仿真数据进行生成对抗网络的训练，以快速合成高分辨率流体动画。但这种方法会较大的损失物理准确性与动画连贯性。

发明内容

发明的目的是针对现有技术的不足而设计的一种基于数据驱动的流体动画参数估计与细节增强方法，采用数据驱动方法和卷积神经网络的线下训练，采集不同流体物理参数组合下欧拉法生成的流体动画数据作为训练样本并生成训练数据集，构建并训练卷积神经网络对输入流体动画序列进行参数估计，获取物理参数组合，利用欧拉法进行重仿真或流体动画设计，利用卷积神经网络快速重建高分辨速度场，指导在高分辨率网格上的快速重仿真，从而在不增加额外计算开销的情况下获得更丰富、更真实的细节，流体动画细节增强，充分利用了数据驱动方法的计算优势，同时考虑了多种物理约束，大大提高了细节增强的物理准确性与时空连贯性，避免了耗时的迭代优化计算，计算高效，鲁棒性强，保证了效果的真实感，能够快速获取仿真场景的物理参数组合，并提供了高效可控的流体动画重仿真模式，具有一定的实用价值。

本发明的目的是这样实现的：一种基于数据驱动的流体动画参数估计与细节增强方法，其特征在于流体动画参数估计与细节增强具体包括以下步骤：

(一)、基于卷积神经网络的流体物理参数估计

步骤1-1：采集不同流体物理参数组合下欧拉法生成的流体动画数据作为训练样本并生成训练数据集。

所述欧拉法采用不可压缩纳维斯托克斯方程描述流体运动，该方程由下述a式表述：

其中：u表示流体速度；t表示动画模拟时间；ρ表示流体密度；p表示流体压强；