論文の概要: DiffPattern-Flex: Efficient Layout Pattern Generation via Discrete Diffusion
- arxiv url: http://arxiv.org/abs/2505.04173v1
- Date: Wed, 07 May 2025 07:04:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-08 19:07:35.993294
- Title: DiffPattern-Flex: Efficient Layout Pattern Generation via Discrete Diffusion
- Title（参考訳）: DiffPattern-Flex:離散拡散による効率的なレイアウトパターン生成
- Authors: Zixiao Wang, Wenqian Zhao, Yunheng Shen, Yang Bai, Guojin Chen, Farzan Farnia, Bei Yu,
- Abstract要約: 本稿では,信頼性の高いレイアウトパターンを効率的に生成するための新しい手法であるToolDiffPattern-Flexを提案する。
toolDiffPattern-Flexには、離散拡散モデルを使用して多様なトポロジを生成する新しい方法が組み込まれている。
高速サンプリングおよび効率的な法定化技術を用いて生成プロセスの高速化を行う。
- 参考スコア（独自算出の注目度）: 19.004533761566197
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advancements in layout pattern generation have been dominated by deep generative models. However, relying solely on neural networks for legality guarantees raises concerns in many practical applications. In this paper, we present \tool{DiffPattern}-Flex, a novel approach designed to generate reliable layout patterns efficiently. \tool{DiffPattern}-Flex incorporates a new method for generating diverse topologies using a discrete diffusion model while maintaining a lossless and compute-efficient layout representation. To ensure legal pattern generation, we employ {an} optimization-based, white-box pattern assessment process based on specific design rules. Furthermore, fast sampling and efficient legalization technologies are employed to accelerate the generation process. Experimental results across various benchmarks demonstrate that \tool{DiffPattern}-Flex significantly outperforms existing methods and excels at producing reliable layout patterns.
- Abstract（参考訳）: レイアウトパターン生成の最近の進歩は、深い生成モデルによって支配されている。
しかし、合法性を保証するためにニューラルネットワークにのみ依存することは、多くの実用的な応用において懸念を提起する。
本稿では,信頼性の高いレイアウトパターンを効率的に生成するための新しいアプローチである<tool{DiffPattern}-Flexを提案する。
\tool{DiffPattern}-Flexは、ロスレスで計算効率のよいレイアウト表現を維持しながら、離散拡散モデルを用いて多様なトポロジを生成する新しい手法を取り入れている。
法的なパターン生成を保証するために,特定の設計規則に基づいた最適化に基づくホワイトボックスパターン評価プロセスを用いる。
さらに, 高速サンプリングおよび効率的な法定化技術を用いて, 生成プロセスの高速化を図る。
様々なベンチマークの実験結果から、\tool{DiffPattern}-Flexは既存のメソッドよりも優れ、信頼性の高いレイアウトパターンを生成するのに優れています。
関連論文リスト
- Structured Pattern Expansion with Diffusion Models [6.726377308248659]
拡散モデルの最近の進歩は、材料、テクスチャ、および3次元形状の合成を著しく改善した。
本稿では、拡散モデルが一般に信頼性が低く、より重要なことに、制御不能な構造的定常パターンの合成に対処する。
これにより、ユーザは入力の構造と詳細を保存しながら、部分的に手書きのパターンをより大きなデザインに拡張することで、合成を直接制御することができる。
論文 参考訳（メタデータ） (2024-11-12T18:39:23Z) - DeFoG: Discrete Flow Matching for Graph Generation [45.037260759871124]
DeFoGは、トレーニングからサンプリングをアンタングルするグラフ生成フレームワークである。
本稿では,性能を著しく向上し,必要な精錬工程数を削減できる新しいサンプリング手法を提案する。
論文 参考訳（メタデータ） (2024-10-05T18:52:54Z) - Variational Search Distributions [16.609027794680213]
稀に望まれるクラスに対して離散的・変動的デザインの生成モデルを条件付けするVSDを開発する。
実数列設計問題に対して,VSDが既存のベースライン手法より優れていることを実証的に実証した。
論文 参考訳（メタデータ） (2024-09-10T01:33:31Z) - Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。
これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。
提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
論文 参考訳（メタデータ） (2024-08-15T16:47:59Z) - DiffPattern: Layout Pattern Generation via Discrete Diffusion [16.148506119712735]
信頼性の高いレイアウトパターンを生成するツールDiffPatternを提案する。
いくつかのベンチマーク設定の実験では、ToolDiffPatternが既存のベースラインを大幅に上回っていることが示されています。
論文 参考訳（メタデータ） (2023-03-23T06:16:14Z) - Hierarchically branched diffusion models leverage dataset structure for
class-conditional generation [0.6800113478497425]
分岐拡散モデルは従来のモデルと同じ拡散過程に依存するが、階層の各分岐について別々に逆拡散を学ぶ。
いくつかのベンチマークと大規模実世界の科学データセットで分岐拡散モデルを広範囲に評価した。
論文 参考訳（メタデータ） (2022-12-21T05:27:23Z) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳（メタデータ） (2022-09-06T16:56:21Z)
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。