論文の概要: Computer-Aided Design Generation by Cascaded Discrete Diffusion Model
- arxiv url: http://arxiv.org/abs/2605.05031v1
- Date: Wed, 06 May 2026 15:26:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.906419
- Title: Computer-Aided Design Generation by Cascaded Discrete Diffusion Model
- Title（参考訳）: カスケード離散拡散モデルによるコンピュータ支援設計
- Abstract要約: 本稿ではCAD生成のための離散拡散フレームワークを提案する。
等方的ガウス摂動とは異なり、我々の手法の前方プロセスは分類的トークン分布を直接操作する。
DeepCADデータセットの実験では、提案手法が既存の自己回帰的・連続拡散モデルを超えていることが示されている。
- 参考スコア（独自算出の注目度）: 42.90502940340903
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent deep learning approaches seek to automate CAD creation by representing a model as a sequence of discrete commands and parameters, and then generating them using autoregressive models or continuous diffusion operating in Euclidean embedding space. However, continuous diffusion perturbs representations in a continuous Euclidean domain that does not reflect the inherently discrete and heterogeneous nature of CAD tokens, often producing perturbed representations that map to semantically invalid symbols. To overcome this limitation, we propose a cascaded discrete diffusion framework for CAD generation, which consists of a command diffusion for generating CAD commands and a parameter diffusion conditioned on CAD commands. Unlike isotropic Gaussian perturbation, the forward process of our approach operates directly over categorical token distributions using delicate transition matrices. For commands, we adopt an absorbing-state transition matrix that progressively corrupts tokens to a designated symbol; for parameters, we introduce specific transition matrices tailored to heterogeneous attributes: a Gaussian kernel for coordinate continuity, a scale-invariant kernel for dimensional values, and a prior-preserving kernel for boolean attributes. The reverse process is achieved by two denoising networks: a Transformer-based encoder for command recovery, and a parameter network with extra local self-attention for command-level interaction and cross-attention for conditional injection. Experiments on the DeepCAD dataset show that the proposed approach surpasses existing autoregressive and continuous diffusion models on unconditional generation metrics, while qualitative results validate effective controllability in conditional generation tasks. Source codes will be released.
- Abstract（参考訳）: 近年のディープラーニングアプローチでは,モデルを個別のコマンドとパラメータのシーケンスとして表現し,自己回帰モデルやユークリッド埋め込み空間での連続拡散操作を用いて生成することによってCAD生成を自動化する。
しかし、連続拡散摂動表現は、CADトークンの本質的に離散的で不均一な性質を反映しない連続ユークリッド領域において、しばしば意味論的に無効な記号にマップされる摂動表現を生成する。
この制限を克服するために、CADコマンドを生成するためのコマンド拡散とCADコマンドに条件付パラメータ拡散からなるCAD生成のためのカスケード離散拡散フレームワークを提案する。
等方的ガウス摂動とは異なり、我々の手法の前方プロセスは繊細な遷移行列を用いて分類的トークン分布を直接操作する。
コマンドには、トークンを段階的に指定記号に分解する吸収状態遷移行列を採用し、パラメータには、不均一属性に適した特定の遷移行列、座標連続性のためのガウスカーネル、次元値のためのスケール不変カーネル、ブール属性のための事前保存カーネルを導入する。
逆処理は、コマンドリカバリのためのTransformerベースのエンコーダと、コマンドレベルのインタラクションのためのローカルな自己アテンションと条件付きインジェクションのためのクロスアテンションを備えたパラメータネットワークの2つによって実現される。
DeepCADデータセットを用いた実験により,提案手法は非条件生成指標上の既存の自己回帰的・連続拡散モデルを超え,定性的な結果は条件生成タスクにおける効果的な制御可能性を検証する。
ソースコードがリリースされる。
関連論文リスト
- Discrete Diffusion Models: A Unified Framework from Tokenization to Generation [66.16696467962375]
この研究は、基礎となる離散状態空間の構築を通じて離散拡散モデルを見る統一的な概念的枠組みを導入する。
このフレームワーク内では、遷移行列、マスキング/吸収状態、スコア/比例に基づくアプローチを含む既存の定式化が、共通のデザイン空間の異なるインスタンス化として現れる。
論文 参考訳（メタデータ） (2026-07-15T04:23:22Z) - Plug-and-Play Guidance for Discrete Diffusion Models via Gradient-Informed Logit Correction [7.637257579386074]
離散拡散モデルによる制御可能な生成は、しばしば高い計算オーバーヘッドや再学習の必要性によって妨げられる。
Informed underlinetextbfCorrection (textbfGILC) は,誘導信号を効率的に推定するプラグイン・アンド・プレイ・フレームワークである。
論文 参考訳（メタデータ） (2026-06-04T15:41:53Z) - ScDiVa: Masked Discrete Diffusion for Joint Modeling of Single-Cell Identity and Expression [24.508523704467695]
シングルセルRNA-seqプロファイルは高次元、スパース、非秩序であり、自己回帰生成は人工的な秩序バイアスを課す。
そこで我々は,ScDiVaをマスク付き離散拡散基礎モデルとして提案する。
論文 参考訳（メタデータ） (2026-02-03T12:50:29Z) - Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。
VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。
合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
論文 参考訳（メタデータ） (2026-01-30T03:59:38Z) - Target-Guided Bayesian Flow Networks for Quantitatively Constrained CAD Generation [21.976599517202914]
我々は、TGBFN(Target-Guided Bayesian Flow Network)と呼ばれる量的制約付きCAD生成のための新しいフレームワークを提案する。
初めてTGBFNは、離散データ空間ではなく、連続かつ微分可能なパラメータ空間でCADシーケンスの多重モード性を扱う。
我々は,TGBFNが高忠実で条件対応のCADシーケンスを生成する際に,最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2025-10-29T04:49:15Z) - Continuously Augmented Discrete Diffusion model for Categorical Generative Modeling [87.34677262370924]
標準離散拡散モデルは、吸収[MASK]トークンにそれらをマッピングすることで、すべての観測されていない状態を同一に扱う。
これは'インフォメーション・ヴォイド'を生成します。そこでは、偽のトークンから推測できるセマンティック情報は、デノイングステップの間に失われます。
連続的拡張離散拡散(Continuously Augmented Discrete Diffusion)は、連続的な潜在空間における対拡散で離散状態空間を拡大するフレームワークである。
論文 参考訳（メタデータ） (2025-10-01T18:00:56Z) - Almost Linear Convergence under Minimal Score Assumptions: Quantized Transition Diffusion [25.542593757387095]
本稿では,データ量子化と離散拡散力学を統合する新しい手法である量子化遷移拡散(QTD)を提案する。
提案手法はまず,連続データ分布の$p_*$をヒストグラム近似とバイナリ符号化により離散的な$q_*$に変換する。
逆時間サンプリングでは,逆CTMCをシミュレートするために,テクスティットランキャットによる一様化手法を導入する。
論文 参考訳（メタデータ） (2025-05-28T02:10:11Z) - Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。
我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。
ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
論文 参考訳（メタデータ） (2024-10-31T14:52:01Z) - Improved Variational Inference in Discrete VAEs using Error Correcting Codes [3.053842954605396]
本研究は, 離散変分オートエンコーダにおける推論を, 生成的視点で解釈することで改善する手法を提案する。
我々は,このモデルを通信システムとして概念化し,誤り訂正符号(ECC)を利用して潜在表現に冗長性を導入することを提案する。
本稿では,2変数の潜伏変数と低複素度繰り返し符号を持つ離散変分オートコーダを用いて概念実証を行い,グローバルおよびローカルなデータ特徴を分離する階層構造に拡張する。
論文 参考訳（メタデータ） (2024-10-10T11:59:58Z) - Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。
提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-12-19T15:34:52Z)
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。