流体动画细节的还原增强方法
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 插图目录 | 第12-14页 |
| 表格目录 | 第14-15页 |
| 第一章 绪论 | 第15-23页 |
| ·研究背景与选题意义 | 第15-16页 |
| ·研究背景 | 第15页 |
| ·选题意义 | 第15-16页 |
| ·相关研究现状概述 | 第16-21页 |
| ·流体细节还原与增强问题描述 | 第16-19页 |
| ·流体细节还原与增强方法的相关研究 | 第19-21页 |
| ·本文贡献及主要工作 | 第21-23页 |
| ·本文贡献 | 第21-22页 |
| ·主要工作与内容安排 | 第22-23页 |
| 第二章 基于网格的流体动画模拟框架 | 第23-32页 |
| ·概述 | 第23-24页 |
| ·NAVIER-STOKES方程组 | 第24-25页 |
| ·网格的建模和离散格式 | 第25-28页 |
| ·外力项和对流项 | 第28-29页 |
| ·N-S方程的分步求解 | 第28页 |
| ·外力项求解 | 第28页 |
| ·对流项求解 | 第28-29页 |
| ·投影以及不可压方程 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第三章 流体细节的还原方法 | 第32-48页 |
| ·概述 | 第32页 |
| ·流体模拟过程中的数值耗散 | 第32-33页 |
| ·对流项耗散 | 第32-33页 |
| ·流体细节的还原方法 | 第33-36页 |
| ·旋度禁闭方法 | 第34-35页 |
| ·涡旋粒子方法 | 第35-36页 |
| ·涡旋模型方法 | 第36页 |
| ·基于人工智能学习的流体细节还原方法 | 第36-41页 |
| ·概述 | 第36-37页 |
| ·后向传播人工神经网络 | 第37-38页 |
| ·细节还原的神经网络的训练过程 | 第38-39页 |
| ·神经网络的细节还原过程 | 第39-41页 |
| ·基于涡旋频率的流体细节还原方法 | 第41-47页 |
| ·概述 | 第41页 |
| ·k-ε涡旋模型 | 第41-43页 |
| ·小波分解 | 第43-45页 |
| ·方法的过程描述 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 流体细节的增强方法 | 第48-59页 |
| ·概述 | 第48页 |
| ·流体细节增强方法的研究 | 第48-49页 |
| ·基于涡旋的流体增强方法 | 第49-58页 |
| ·方法的过程和框架 | 第49页 |
| ·快速涡旋提取方法 | 第49-51页 |
| ·噪声模型 | 第51-54页 |
| ·噪声模型的转换 | 第54-56页 |
| ·流体细节的增强过程 | 第56-57页 |
| ·增加具体场景的例子 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 流体细节还原与增强的综合方法 | 第59-65页 |
| ·概述 | 第59页 |
| ·基于细节还原和增强的综合方法设计 | 第59-61页 |
| ·细节还原与增强方法的结合点 | 第59-60页 |
| ·细节还原和细节增强功能的整合 | 第60-61页 |
| ·实验结果与分析 | 第61-64页 |
| ·流体实验结果与分析 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 第六章 本文总结与展望 | 第65-67页 |
| ·本文工作 | 第65-66页 |
| ·工作展望 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 场论的基本知识（附录1） | 第69-71页 |
| ·梯度 | 第69页 |
| ·散度 | 第69-70页 |
| ·旋度 | 第70-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间已发表或录用的论文 | 第72页 |
