Detail Synthesis for Fluids and Videos with Deep-Learning Algorithms
Translated title:
Detailsynthese für Fluidsimulationen und Videos mit Deep-Learning-Algorithmen
Author:
Chu, Mengyu
Year:
2020
Document type:
Dissertation
Faculty/School:
Fakultät für Informatik
Advisor:
Thuerey, Nils (Prof. Dr.)
Referee:
Thuerey, Nils (Prof. Dr.); Kim, Theodore (Prof., Ph.D.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
deep learning, fluid simulation, conditional video generation, temporal self-supervision
Translated keywords:
Deep Learning, Flüssigkeitssimulation, conditional Videogenerierung, zeitliche Eigenüberwachung
TUM classification:
DAT 758d
Abstract:
Detail synthesis is an appealing but challenging topic in computer vision and graphics. In this dissertation, we first focus on detailed flow effects. Then, we investigate video generation tasks with conditional inputs, e.g. video super-resolution and translation. The goal is to employ deep-learning algorithms to understand complex temporal evolution and to synthesize realistic results. Our results demonstrate that data-driven and deep-learning-based synthesis are powerful tools. We anticipate spatio-temporal learning to be applied in many other areas.
«
Detail synthesis is an appealing but challenging topic in computer vision and graphics. In this dissertation, we first focus on detailed flow effects. Then, we investigate video generation tasks with conditional inputs, e.g. video super-resolution and translation. The goal is to employ deep-learning algorithms to understand complex temporal evolution and to synthesize realistic results. Our results demonstrate that data-driven and deep-learning-based synthesis are powerful tools. We anticipate s...
»
Translated abstract:
Die Synthese von Details ist ein attraktives aber auch herausforderndes Forschungsthema in den Bereichen Computervision und Computergraphics. In dieser Dissertation konzentrieren wir uns zunächst auf detaillierte Strömungseffekte. Dann untersuchen wir Videoerzeugungsaufgaben, z. Video Superauflösung und Übersetzung. Das Ziel ist es, Deep-Learning-Algorithmen einzusetzen, um die komplexe zeitliche Entwicklung zu verstehen und realistische Ergebnisse zu synthetisieren. Unsere Ergebnisse zeigen die Wirksamkeit dieser Methode. Wir gehen davon aus, dass räumlich-zeitliches Lernen in vielen anderen Bereichen angewendet werden kann.
«
Die Synthese von Details ist ein attraktives aber auch herausforderndes Forschungsthema in den Bereichen Computervision und Computergraphics. In dieser Dissertation konzentrieren wir uns zunächst auf detaillierte Strömungseffekte. Dann untersuchen wir Videoerzeugungsaufgaben, z. Video Superauflösung und Übersetzung. Das Ziel ist es, Deep-Learning-Algorithmen einzusetzen, um die komplexe zeitliche Entwicklung zu verstehen und realistische Ergebnisse zu synthetisieren. Unsere Ergebnisse zeigen die...
»