学习渐变场以实现可扩展且可泛化的不规则装箱
GFPack++ 是一个基于注意力机制梯度场学习方法,可以有效地进行 2D 不规则装箱优化,获得更高的空间利用率,支持连续旋转,并拥有较快的运算速度和对任意边界的良好泛化能力。
Jun, 2024
用于计算机图形学中,我们介绍了一种学习辅助的二维不规则形状装箱方法,通过选择和分组 UV 贴片的子集来实现高装箱质量,并利用深度神经策略线性时间扩展以处理大规模的问题实例。
Sep, 2023
本文提出一种新颖的技术,通过随机梯度上升在未标准化概率密度上移动样本点来生成点云,使其达到类似真实高密度区域的效果,并通过该方法达到点云自编码和生成的最新成果,同时允许提取高质量的隐式表面。
Aug, 2020
本研究提出了一个基于不平衡大图学习框架的预测方法,用于预测 FPGA 布局放置后的逻辑元素是否会被打包,实验结果表明与最新的基于高斯的预测方法相比,该方法可以提高 F1 得分 42.82%。物理设计结果显示该方法能够在提高布线长度 0.93%和 SLICE 占用 0.89%方面帮助布局器。
Aug, 2023
本文介绍了一种新的生成模型,利用评分匹配来估计数据分布的梯度,通过 Langevin 动力学生成样本。我们的框架使得模型架构更加灵活,无需在训练期间进行抽样或使用对抗性方法,提供了可用于基于原则的模型比较的学习目标。在 MNIST、CelebA 和 CIFAR-10 数据集上,我们的模型产生的样本与 GAN 相当,实现了 CIFAR-10 inception 得分的新的最先进水平为 8.87。此外,我们通过图像修补实验证明了我们的模型学习到了有效的表示。
Jul, 2019
本文研究计算化学中的分子构象生成问题,提出一种基于力场方法和评分生成模型的新方法 ConfGF,通过直接估计原子坐标的梯度场直接生成稳定构象,实验结果表明 ConfGF 明显优于现有的最新基线。
May, 2021
通过统一的几何原理,深度学习可以更好地揭示基本规律,提供数学框架来研究卷积神经网络、循环神经网络、图神经网络和变压器网络等神经网络,且可以将物理学知识结合到神经网络结构中,从而提供了未来神经网络结构的原则性方法。
Apr, 2021
通过使用机器学习预测以改善算法的性能,该研究论文介绍了一种针对在线装箱问题的简单的学习增强算法,并展示了该框架在线性规划、背包问题、资源管理效益、吞吐量最大化和网络效用最大化等多个领域的直接应用,同时提出了理解简单黑盒解决方案何时可优化的必要与充分条件的问题。
Jun, 2024
本文提出一种目标渐变场(TarGF)方法,通过对于目标分布的有限数量解释,实现物体重排无需明确目标要求的任务。该方法能够显著提升终止状态的质量、控制过程的效率和可伸缩性,与现有的方法相比具有很大的优势。
Sep, 2022
利用深度学习方法构建自适应系统,通过大量训练数据、自动特征选择和快速准确的标记,选择最佳的启发式算法以生成高质量的装箱方案,从而克服了传统人工智能机器学习方法的限制。
Feb, 2017