![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读
文章平均质量分 92
solidays_
这个作者很懒,什么都没留下…
展开
-
Interpolating Frames for Super-Resolution Smoke Simulation with GANs 文献阅读
使用GAN的超高分辨路烟雾方针插帧框架摘要深度神经网络实现了流体数据的超分辨率,可以成功地将数据从2D扩展到3D。但是,解决超分辨率帧之间的不连贯性并非易事。在本文中,我们介绍了一种基于条件生成对抗网络的新帧插值方法,用于烟雾模拟。我们的模型在原始的两个连续帧之间生成几个中间帧,以消除不连贯性。具体来说,我们设计了一种新的生成器,该生成器由残差块和U-Net架构组成。具有残差块的生成器能够从下采样的采样中准确地恢复高分辨率的体数据。然后,我们将两个恢复的帧及其对应的速度场输入到U-Net,进行扭曲和线性原创 2021-02-27 14:42:44 · 316 阅读 · 0 评论 -
Point-Voxel CNN for Efficient 3D Deep Learning(PVCNN)论文翻译
Point-Voxel CNN for Efficient 3D Deep Learning(PVCNN)摘要我们介绍了Point-Voxel CNN(PVCNN),可进行高效,快速的3D深度学习。以前的工作使用基于体素或基于点的NN模型处理3D数据。但是,这两种方法在计算上都是低效的。基于体素的模型的计算成本和内存占用量随输入分辨率的增加而立方增长,从而使其无法扩展分辨率。对于基于点的网络,最多有80%的时间被浪费在构造稀疏数据上,这些稀疏数据的内存局部性很差,而不是实际的特征提取。在本文中,我们提出翻译 2020-09-09 20:03:03 · 2354 阅读 · 0 评论