May, 2023

通过深度几何学习实现空气动力外形优化的自动参数化

PDF
TL;DR该研究提出两种深度学习模型，实现了飞行器气动形状优化的自动形状参数化转换，消除了进一步手工制作的需要。这两种模型是使用深度几何学习来优化参数化，将人类的先验知识嵌入到学习的几何模式中，直接通过移动顶点来操作高维网格数据。LSM 和 DMM 是完全可微分的，可实现基于梯度的端到端管道设计和插入式部署。
deep learningshape parameterizationaerodynamic optimizationlatent space modeldirect mapping model
发现论文，激发创造
  • 高效三维翼型参数化与生成的深度生成模型

    本研究提出了一种名为 “Free-Form Deformation Generative Adversarial Networks (FFD-GAN)” 的深度生成模型，可用于三维空气动力学 / 水力学形状优化，例如机翼、涡轮叶片、汽车车身和船体。该模型通过一组紧凑的设计变量映射到表示形状的三维表面点，具有高表征容量 / 紧凑度，并能够加速形状优化。

    Jan, 2021

  • RSA-INR: 通过 4D 隐式神经表示进行黎曼形状自编码

    本研究介绍了如何将 Riemannian 几何结合到深度学习中的 LDDMM framework 中，以期实现图形匹配和降维。通过设计一种新的隐式编码器，扩展了基于神经网络的算法，并且将 Riemannian 几何学的组件加入了形状变异建模的深度学习模型中，提高了重构过程中的重构质量和抗噪性。

    May, 2023

  • 3D-PreMise: 大型语言模型能否生成具备清晰特征和参数控制的三维形状？

    文中介绍了使用大型语言模型（LLMs）通过程序合成操作 3D 软件生成以文本驱动的三维形状的框架，旨在解决精确建模带有参数控制的具有锐利特征的几何图形的挑战，并强调了 LLMs 在工业应用的三维参数建模中的潜力和局限性。

    Jan, 2024

  • 神经潜在几何搜索：通过格罗莫夫 - 豪斯多夫信息贝叶斯优化进行产品流形推断

    通过使用不同的几何结构，如双曲空间、球面空间和综合空间，利用神经潜空间几何搜索方法（NLGS），能够显著提高机器学习模型的性能，并能够自动识别下游任务的最佳潜空间几何。

    Sep, 2023

  • 测地卷积形状优化

    该研究提出了一种使用 Geodesic Convolutional 神经网络，通过把原始形状用 poly 立方地图重新映射，使用 GPU 而不是 CPU 进行计算，实现快速准确地优化复杂形状

    Feb, 2018

  • 深度可变形模型：通过部分一致性学习 3D 形状抽象

    本论文研究了精确形状抽象的显著和高效的基本描述符，提出了一种名为 Deep Deformable Models (DDMs) 的方法。DDM 利用全局变形和微分同胚本地变形来抽象复杂的物体形状，使用较少的基本图元提供更广泛的几何覆盖和更精细的细节，并能学习基于部位的语义对应关系。DDM 在形状重建和部位一致性方面的实验结果表明，较现有方法具有显著优势。

    Sep, 2023

  • 融合黎曼几何特征学习飞机机翼上的压力分布系数

    利用几何理论，我们提出了一种将黎曼几何特征结合到深度学习模型中，以预测机翼表面的压力系数分布，实验结果表明，与最先进的深度注意力网络相比，我们的方法能够将压力系数的预测均方误差平均降低 8.41%。

    Dec, 2023

  • 形状优化中的异常检测和设计空间降维的生成模型

    我们的研究提出了一种新的形状优化方法，通过减少定义新的减少子空间的原始设计变量的数量，并通过概率线性潜变量模型（如因子分析和概率主成分分析）对数据的生成过程建模，以提高全局优化算法的效率，并在优化过程中生成没有几何异常的高质量设计。

    Aug, 2023

  • 基于几何潜在扩散模型的三维分子生成

    本研究提出了一种基于几何潜变扩散模型（GeoLDM）的新方法，通过在潜空间中运行扩散模型来生成分子的三维几何结构。该方法对生成大分子的有效百分比有 7％的提升。

    May, 2023

  • 用于三维形态建模与重建的深度优化先验

    该研究提出了一种新的 3D 建模和重建学习框架，通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码，提高了深度生成器的广义性。实验结果显示，该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。

    Dec, 2020