論文の概要: Adversarial Latent Autoencoder with Self-Attention for Structural Image Synthesis

• arxiv url: http://arxiv.org/abs/2307.10166v2
• Date: Wed, 02 Oct 2024 08:24:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-03 15:16:32.193685
• Title: Adversarial Latent Autoencoder with Self-Attention for Structural Image Synthesis
• Title（参考訳）: 構造画像合成のための自己注意型逆潜時オートエンコーダ
• Authors: Jiajie Fan, Laure Vuaille, Hao Wang, Thomas Bäck,
• Abstract要約: 本稿では, 複雑な工学部品の設計画像を生成可能な, 自己注意適応遅延オートエンコーダ (SA-ALAE) を提案する。 SA-ALAEでは、ユーザーは既存のデザインの新しいバリエーションを探索できるだけでなく、潜在空間で操作することで生成プロセスを制御できる。
• 参考スコア（独自算出の注目度）: 4.619979201312323
• License:
• Abstract: Generative Engineering Design approaches driven by Deep Generative Models (DGM) have been proposed to facilitate industrial engineering processes. In such processes, designs often come in the form of images, such as blueprints, engineering drawings, and CAD models depending on the level of detail. DGMs have been successfully employed for synthesis of natural images, e.g., displaying animals, human faces and landscapes. However, industrial design images are fundamentally different from natural scenes in that they contain rich structural patterns and long-range dependencies, which are challenging for convolution-based DGMs to generate. Moreover, DGM-driven generation process is typically triggered based on random noisy inputs, which outputs unpredictable samples and thus cannot perform an efficient industrial design exploration. We tackle these challenges by proposing a novel model Self-Attention Adversarial Latent Autoencoder (SA-ALAE), which allows generating feasible design images of complex engineering parts. With SA-ALAE, users can not only explore novel variants of an existing design, but also control the generation process by operating in latent space. The potential of SA-ALAE is shown by generating engineering blueprints in a real automotive design task.
• Abstract（参考訳）: DGM(Deep Generative Models)によって駆動されるジェネレーティブエンジニアリング設計アプローチは、産業工学プロセスを促進するために提案されている。 このようなプロセスでは、設計はディテールのレベルに応じて、ブループリント、エンジニアリング図面、CADモデルなどのイメージの形式で行われることが多い。 DGMは自然画像、例えば動物、人間の顔、風景の合成に成功している。 しかし、産業デザインのイメージは、リッチな構造パターンと長距離依存を含むという点で、自然のシーンと根本的に異なるため、畳み込みベースのDGMの生成は困難である。 さらに、DGM駆動による生成プロセスは、通常、予測不可能なサンプルを出力するランダムノイズ入力に基づいてトリガーされるため、効率的な工業設計探索を行うことはできない。 これらの課題に対処するために、複雑なエンジニアリング部品の実行可能な設計画像を生成するための、新しいモデルである自己注意適応遅延オートエンコーダ(SA-ALAE)を提案する。 SA-ALAEでは、ユーザーは既存のデザインの新しいバリエーションを探索できるだけでなく、潜在空間で操作することで生成プロセスを制御できる。 SA-ALAEのポテンシャルは、実際の自動車設計タスクでエンジニアリングの青写真を生成することによって示される。

関連論文リスト

• McGAN: Generating Manufacturable Designs by Embedding Manufacturing Rules into Conditional Generative Adversarial Network [9.482982161281999]
  本稿では,DFMルールを符号化するためにディープニューラルネットワークを用いた新しいジェネレーティブデザイン(GD)手法を提案する。 条件付き生成反転ニューラルネットワーク(cGAN)Pix2Pixは、製造不可能なサブリージョンを製造不能なサブリージョンに変換する。 結果は,既存の製造不可能な設計を変換して,対応する製造不可能な設計を自動生成できることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T02:23:02Z)
• SceneX:Procedural Controllable Large-scale Scene Generation via Large-language Models [53.961002112433576]
  本稿では,デザイナーのテキスト記述に従って高品質なプロシージャモデルを自動生成する大規模シーン生成フレームワークであるSceneXを紹介する。 私たちのSceneXは、微妙な幾何学的レイアウトと構造を持つ2.5km×2.5kmの都市を生成でき、プロのPCGエンジニアの数週間の時間を大幅に短縮して、普通のユーザにとっては数時間に過ぎません。
  論文  参考訳（メタデータ） (2024-03-23T03:23:29Z)
• Deep Generative Design for Mass Production [17.60251862841578]
  本稿では, ダイカストおよび射出成形に関連する制約をジェネレーティブ・デザインに組み込むことにより, 製造可能性の懸念に対処する革新的な枠組みを導入する。 この方法は複雑な3次元幾何学を製造可能なプロファイルに単純化し、製造不可能なオーバーハングのような実現不可能な特徴を除去する。 従来の3次元形状生成法よりも効率的な2次元生成モデルを採用することで、このアプローチをさらに強化する。
  論文  参考訳（メタデータ） (2024-03-16T01:32:00Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• A Meta-Generation framework for Industrial System Generation [0.0]
  ジェネレーティブデザインは、産業の世界においてますます重要なツールである。 深層生成モデル(Deep Generative Models)は、ジェネレーティブデザイン技術の間で人気を集めている。 しかし、これらのモデルの開発と評価は困難である。 マルチコンポーネント産業システムを実現するメタVAEを提案する。
  論文  参考訳（メタデータ） (2023-06-08T11:47:02Z)
• Spatial Steerability of GANs via Self-Supervision from Discriminator [123.27117057804732]
  本稿では,GANの空間的ステアビリティを向上させるための自己教師型アプローチを提案する。 具体的には、空間帰納バイアスとして生成モデルの中間層に符号化されるランダムなガウス熱マップを設計する。 推論中、ユーザは直感的に空間のヒートマップと対話し、シーンのレイアウトを調整したり、移動したり、オブジェクトを削除したりすることで、出力画像を編集することができる。
  論文  参考訳（メタデータ） (2023-01-20T07:36:29Z)
• LayoutDETR: Detection Transformer Is a Good Multimodal Layout Designer [80.61492265221817]
  グラフィックレイアウトデザインは視覚コミュニケーションにおいて重要な役割を担っている。 しかし、手作りのレイアウトデザインは、スキルを要求し、時間がかかり、バッチプロダクションではスケールできない。 ジェネレーティブモデルは、設計自動化をスケーラブルにするために出現するが、デザイナの欲求に沿うデザインを作成することは、未だに容易ではない。
  論文  参考訳（メタデータ） (2022-12-19T21:57:35Z)
• Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
  本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
  論文  参考訳（メタデータ） (2022-11-29T17:28:31Z)
• DiVAE: Photorealistic Images Synthesis with Denoising Diffusion Decoder [73.1010640692609]
  本稿では,拡散デコーダ(DiVAE)を用いたVQ-VAEアーキテクチャモデルを提案する。 我々のモデルは最先端の成果を達成し、さらに多くのフォトリアリスティックな画像を生成する。
  論文  参考訳（メタデータ） (2022-06-01T10:39:12Z)
• Deep Generative Models in Engineering Design: A Review [1.933681537640272]
  本稿では,工学設計におけるDeep Generative Learningモデルのレビューと分析を行う。 最近のDGMは、構造最適化、材料設計、形状合成といった設計応用において有望な結果を示している。
  論文  参考訳（メタデータ） (2021-10-21T02:50:10Z)
• CreativeGAN: Editing Generative Adversarial Networks for Creative Design Synthesis [1.933681537640272]
  本論文では,新しいデザインを作成するための自動手法であるCreativeGANを提案する。 デザインをユニークなものにするコンポーネントを識別し、GANモデルを変更することで、識別されたユニークなコンポーネントでデザインを生成する可能性が高まる。 自転車デザインのデータセットを用いて,ユニークなフレームとハンドル,および幅広いデザインの珍しいノベルティを備えた新しい自転車デザインを作成できることを実証した。
  論文  参考訳（メタデータ） (2021-03-10T18:22:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。