[論文レビュー] RePaint-Enhanced Conditional Diffusion Model for Parametric Engineering Designs under Performance and Parameter Constraints

Ke Wang, Hoang Nguyen Vu+3 more|arXiv (Cornell University)|Jan 30, 2026

Probabilistic and Robust Engineering Design被引用数 0

ひとこと要約

RePaint強化フレームワークを紹介。事前学習済みの性能指向DDPMを用いて部分参照からパラメトリック設計を再訓練なしで生成、性能とパラメータの制約下でマスクベースのリペイントを可能にする。

ABSTRACT

This paper presents a RePaint-enhanced framework that integrates a pre-trained performance-guided denoising diffusion probabilistic model (DDPM) for performance- and parameter-constraint engineering design generation. The proposed method enables the generation of missing design components based on a partial reference design while satisfying performance constraints, without retraining the underlying model. By applying mask-based resampling during inference process, RePaint allows efficient and controllable repainting of partial designs under both performance and parameter constraints, which is not supported by conventional DDPM-base methods. The framework is evaluated on two representative design problems, parametric ship hull design and airfoil design, demonstrating its ability to generate novel designs with expected performance based on a partial reference design. Results show that the method achieves accuracy comparable to or better than pre-trained models while enabling controlled novelty through fixing partial designs. Overall, the proposed approach provides an efficient, training-free solution for parameter-constraint-aware generative design in engineering applications.

研究の動機と目的

• retrainingなしで性能・パラメータ制約付きのパラメトリック設計生成を動機付け、実現する。
• 部分参照から欠落設計要素を制約を守りつつ完成させる。
• 制約下で部分設計をリペイントする効率的な推論時機構を提供する。

提案手法

• 事前学習済みの性能指向デノイジング拡散確率モデル（DDPM）を利用。
• 推論時にマスクベースのリサンプリング（RePaint）を実装し、部分設計をリペイント。
• リペイント過程で性能とパラメータの制約を retraining せずに適用。
• 帆船 hull および翼型設計のパラメトリックベンチマークへ適用し実現可能性を示す。

実験結果

リサーチクエスチョン

• RQ1 DDPMを再訓練せずに、部分参照設計を完全な設計へと完成させ、性能とパラメータ制約を満たすことができるか。
• RQ2 マスクベースのRePaintは制約の遵守と設計の統制された新規性をどのように実現するか。
• RQ3 パラメトリックな hull および airfoil タスクにおける事前学習モデルと比較したときの精度と設計品質はどうなるか。

主な発見

• 本手法は部分参照設計に基づく期待性能を持つ新規設計を生成する。
• RePaintは評価タスクで事前学習モデルと同等以上の精度を達成する。
• 生成時に部分設計を固定することで統制された新規性を実現できる。
• 本フレームワークは工学的文脈におけるパラメータ制約を意識した訓練不要の生成設計ソリューションを提供する。