HyFluid

HyFluid 是一项面向三维不可压缩流体重建的神经方法，由斯坦福大学与佐治亚理工学院的研究者合作提出，作者为 Hong-Xing (Koven) Yu、Yang Zheng、Yuan Gao、Yitong Deng、Bo Zhu、Jiajun Wu，论文发表于 NeurIPS 2023。其目标是研究如何从稀疏多视角视频中恢复流体密度与速度。

现有神经动态重建方法主要依赖光流，由于流体速度本身存在视觉歧义——流体往往没有固定形状、缺乏稳定视觉特征，因此这些方法无法准确估计密度并揭示潜在速度；流体流动的湍流特性进一步加剧了挑战，需要专门设计的流体速度表示。HyFluid 提出混合神经流体场来联合推断流体密度与速度场。具体而言，它引入一组基于物理的损失，强制推断出物理合理、无散度且驱动密度传输的速度场；针对湍流特性，设计了包含基础神经速度场与涡粒子速度的混合神经速度表示，前者捕捉大部分无旋能量，后者建模残余湍流速度，从而能够恢复涡流细节。

从使用角度看，研究者可用它从少量多视角视频（示例为三个视角）推断三维流体密度与速度场，并在恢复结果上做新视角重仿真、未来预测，以及将流体的三维密度与外观合成到任意 NeRF 类重建的动态场景中。主要提供论文与代码入口，具体使用方式以论文与代码为准。

工具	编辑评分	价格	核心功能	平台
HyFluid本工具	4.1	未标价	流体密度速度推断；物理约束损失；混合神经速度表示；涡流细节恢复	Web
N NeRFlow本工具	—	未标价	在新视角重仿真对比中列出 NeRFlow 作为对比方法，并标注 Groundtruth 供对照。	—
P PINF本工具	—	未标价	在新视角重仿真与未来预测对比中均列出 PINF 作为对比方法，并标注 Groundtruth 供对照。	—
K K-Planes本工具	—	未标价	在动态神经场景合成部分以 K-Planes 的重建结果作为原始场景，展示 HyFluid 的合成效果。	—

NeRFlow 与 PINF 均被官网列为对比方法，K-Planes 则作为动态场景合成的基底出现。论文摘要指出既有方法主要依赖光流，无法准确估计密度并揭示速度；HyFluid 通过基于物理的损失与混合神经速度表示来应对这些挑战。当研究重点是从稀疏多视角视频恢复涡流细节与物理合理的速度场时，可优先参考 HyFluid；当需要将流体合成进既有动态场景时，官网展示了与 K-Planes 结合的路径。三者具体性能差异需以论文中的对比数据为准。