使用生成人工智能技术尝试生成新的桥梁类型。利用三跨梁桥、拱桥、斜拉桥和悬索桥的对称结构图像数据集。基于 Python 编程语言，TensorFlow 和 Keras 深度学习平台框架，以及 Wasserstein 损失函数和 Lipschitz 约束，构建并训练了生成对抗网络。可以通过获取的低维桥类型潜空间采样生成具有非对称结构的新桥梁类型。生成对抗网络能够通过有机地结合不同的结构组件，基于人类原始桥梁类型创造新的桥梁类型，具有一定的人类原创能力。生成人工智能技术能够拓展想象空间并启发人类。

Jan, 2024

利用去噪扩散隐式模型进行桥梁创新，通过图像加噪和去噪的过程，以尸体腐烂和侦探恢复被杀害受害者现场的过程为比喻，通过易于理解的代数方法，推导出加噪和去噪的函数公式，使初学者更容易掌握该模型的数学原理。基于 Python 编程语言、TensorFlow 和 Keras 深度学习平台框架，构建和训练了对称结构的图像数据集，模型可以从潜在空间采样生成具有非对称结构的新的桥梁类型，可以有机地结合不同的结构部件在人类原始桥梁类型的基础上创造新的桥梁类型。

Feb, 2024

尝试使用生成人工智能技术来生成新的桥梁类型。基于 Python 编程语言，TensorFlow 和 Keras 深度学习平台框架，利用对称结构化的图像数据集对三跨梁桥、拱桥、斜拉桥和悬索桥进行了 PixelCNN 的构建和训练。通过获得的潜在空间采样，可以生成与训练数据集中不同的桥梁类型。Multimodal 模型结合回归和自回归模型来理解序列，可能是实现人工通用智能的方式。

Jan, 2024

基于高斯过程回归的概率物理信息机器学习框架，通过测量挠度、速度或加速度来重建动力学力，适用于不完整和受污染的数据，可以用于考虑测量系统噪声的自然正则化方法，推测了格陵兰东桥的空气动力学响应，结果显示应用和预测的动态负荷之间存在良好的一致性，并可用于计算全局响应和所产生的内部力，该框架的应用包括验证设计模型和假设，以及辅助损伤检测和结构健康监测的预测。

Aug, 2023

使用神经生成网络学习能量函数和一种分摊求近似（amortized approximate）的采样机制，结合最近提出的非参数互信息估计器来最大化生成样本的熵，使用必要条件从分数匹配（score matching）文献中衍生出的零中心梯度惩罚来稳定生成的对抗游戏。该技术可以生成与最新的生成对抗网络技术竞争的清晰图像，不会出现模式崩溃，并且在异常检测方面具有与现有技术相媲美的竞争力。

Jan, 2019

通过在潜空间中利用 Schr {"o} dinger bridge 扩散模型构建新的生成学习方法，本文对当前扩散模型进行了全面的理论分析，包括利用预训练的编码器 - 解码器架构和 Schr {"o} dinger bridge 框架开发了潜空间中的扩散模型，通过控制生成分布和目标分布之间的二阶 Wasserstein 距离，获得了收敛速率，从而为现有的扩散模型提供了稳健的理论支持。

Apr, 2024

本文介绍了一种基于能量的学习框架，用于生成场景图，允许将场景图的结构有效地纳入输出空间中，通过在学习框架中添加一些约束条件，可以最终提高模型的性能，在视觉基因组和 GQA 基准数据集上的性能提高了 21％和 27％，在零样本和少样本情况下优于现有模型。

Mar, 2021

提出了一种基于生成式视觉 transformer 的显著目标检测方法，使用了具有信息能量的先验模型，通过 MCMC 最大似然估计的方法训练视觉 transformer 网络和先验模型，并结合 RGB 和 RGB-D 两种数据进行大量实验，选取更有表现力的能量信息先验，得到了更为准确和人类感知一致的显著性预测和像素级的不确定性地图。

Dec, 2021

本论文提出了一种利用生成对抗网络（GAN）和基于深度神经网络的生成模型来代替 MCMC 模型的方法，通过训练这种模型生成的采样分布近似匹配待训练的能量函数。

Jun, 2016

本文提出了一种能学习非确定性表示的 stochastic ensemble 模型，通过从模型集合中有条件地采样，能够获得每个输入示例的多个表示，并在 MNIST 的 one-shot learning 场景中进行了测试。

Dec, 2014