<figure><img src="https://res.cloudinary.com/dcsny9dt4/image/upload/v1779305806/Slide_4_3_-_5_ptdnib.png"></figure>

<p>Исследователи из <b>EPFL</b>, <b>ETH Zurich</b>, <b>Google</b> и <b>Microsoft</b> разработали инновационный метод, позволяющий восстанавливать динамику жидкостей на основе многокамерной съемки. Этот подход включает использование семи калиброванных 4K-камер и охватывает 20 различных сцен с разнообразными жидкостями и контейнерами.</p>

<video><source src="https://rss.neurootlichnik.ru/images/bbc46726-6842-41b8-b94e-a1766bf7165a/video_0.mp4" type="video/mp4"/></video>

<p>Главный принцип работы метода заключается в наложении физической структуры только в тех местах, где наблюдения могут ее ограничить. Маски кадров сливаются в уровень жидкости, а перенос между кадрами создает поле скоростей. Лагранжевы носители движутся по этому полю и корректируются в соответствии с новыми наблюдениями, перезасеваясь там, где теряется покрытие.</p>

<p>Метод демонстрирует превосходство над <b>SOTA</b> в динамическом гауссовом сплэттинге как на реальных, так и на синтетических сценах. Движение, получаемое с его помощью, оказывается физически правдоподобнее, а тренировка модели требует меньших затрат.</p>

<p>Кроме того, новая технология поддерживает различные ракурсы, временную интерполяцию и перенос стиля без необходимости повторной оптимизации. Это открывает новые возможности для применения в архитектурной визуализации и других областях, где важна точная реконструкция жидкостей.</p>

<p>Для более подробной информации и дальнейших обновлений следите за новостями на neurootlichnik.ru.</p>

Нейро Отличник

www.neurootlichnik.ru