本文讨论了如何使用物理引导生成对抗网络(PG-GAN)来解决深度神经网络输出不满足物理方程问题的方法。
Apr, 2023
在航空航天设计领域,实现平滑曲线至关重要,特别是在制作如翼型等物体时。生成对抗网络(GAN)作为一种广泛使用的生成人工智能技术,在合成翼型设计方面已经证明其重要性。然而,GAN 的一个普遍限制是生成的翼型表面缺乏平滑性。为了解决这个问题,我们提出了一个具有定制损失函数的 GAN 模型,用于产生无缝轮廓的翼型设计。此外,相比于采用后处理平滑滤波器的传统 GAN,我们的模型在设计多样性方面表现出了显著增加。
Apr, 2024
本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题,针对当下模型存在的问题,提出了一种修改规则和设计模型的方法。实验表明,我们的方法可以更有效地训练 GAN 模型,并以 3D 物体投影问题为例进行了验证。
May, 2017
该研究提出了一种基于生成模型和对抗学习的图像恢复算法,并通过物理模型约束学习提高了生成对抗网络的图像生成质量,具有在多种低级视觉问题中应用的广泛适用性。
Aug, 2018
我们通过应用一种新颖的生成对抗网络(GAN)架构到喷气图像的生成,提供了机器学习社区中生成建模与高能粒子物理中模拟物理过程之间的桥梁,并提出了一种简单的位置感知生成对抗网络。这项工作为将 GAN 用于高能粒子物理中的快速模拟提供了基础。
Jan, 2017
比较了生成模型和非生成模型在构建设计空间和形状优化中的有效性和效率,并发现根据物理信息参数设计空间的非生成模型能够以更低的成本生成高性能、有效设计,并且能够在设计有效性方面超越生成模型。
Feb, 2024
本研究将自动编码器和生成对抗网络相结合,以生成计算流体动力学结果。研究结果表明该方法具有潜在能力,可降低空气动力学预测的时间和成本,为计算流体动力学中的计算技术的进一步提高和改进提供可能性。
May, 2023
该论文介绍了一种新的图像生成方法,采用几何形状模型将几何信息纳入生成过程,生成出具有任意面部属性的逼真人脸图像。
Dec, 2017
该研究揭示了 GAN 模型的几何思想,提出了通过 SVM 分离超平面最大化间隔的几何 GAN,证明了其可以收敛到鞍点,并显示其优越的性能。
该论文提出了一种基于深度学习的方法,使用生成对抗网络(GANs)对声场进行时空重建。该方法利用平面波基础,并学习房间内压力的潜在统计分布,以从有限数量的测量中准确重建声场。该方法的性能经过两个已建立的数据集评估,并与最先进的方法进行比较。结果表明,该模型能够在准确性和能量保持方面实现改进的重建性能,尤其是在高频范围和超过测量区域的外推时。此外,所提出的方法能够处理不同数量和配置的测量位置而不影响性能。结果表明,该方法为使用生成模型进行声场重建提供了一种有前景的方法,允许对声学问题进行物理上明确的先验条件。
Aug, 2023