Das Verhalten von Flüssigkeiten kann sehr komplex und chaotisch sein. Diese Thesis präsentiert neue Ansätzen zu die Rekonstruktion von Flüssigkeiten für Computergrafik basierend auf Deep Learning. Wir fokussieren uns dabei auf das komplexe Oberflächenverhalten von Gas-Flüssigkeit Schnittstellen, welche einen großen Anteil in klassischen Flüssigkeitsetup ausmachen. Wir zeigen, dass Deep Learning-basierte Ansätze herkömmliche Methoden hinsichtlich Berechnungszeit übertreffen können, bei ähnlich guter Genauigkeit.     «

Das Verhalten von Flüssigkeiten kann sehr komplex und chaotisch sein. Diese Thesis präsentiert neue Ansätzen zu die Rekonstruktion von Flüssigkeiten für Computergrafik basierend auf Deep Learning. Wir fokussieren uns dabei auf das komplexe Oberflächenverhalten von Gas-Flüssigkeit Schnittstellen, welche einen großen Anteil in klassischen Flüssigkeitsetup ausmachen. Wir zeigen, dass Deep Learning-basierte Ansätze herkömmliche Methoden hinsichtlich Berechnungszeit übertreffen können, bei ähnlich gu...     »