[논문 리뷰] RePaint-Enhanced Conditional Diffusion Model for Parametric Engineering Designs under Performance and Parameter Constraints

Ke Wang, Hoang Nguyen Vu외 3명|arXiv (Cornell University)|2026. 01. 30.

Probabilistic and Robust Engineering Design인용 수 0

한 줄 요약

RePaint-향상 framework를 도입하여 사전 학습된 performance-guided DDPM을 사용해 부분 참조로부터 매개변수적으로 제약된 디자인을 재훈련 없이 생성하고, 성능 및 매개변수 제약 하에서 마스크 기반 repainting을 가능하게 합니다.

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.

연구 동기 및 목표

• 재훈련 없이 성능- 및 매개변수 제약이 있는 매개변수 설계 생성을 고무하고 가능하게 한다.
• 제약을 준수하면서 부분 참조로부터 누락된 설계 구성요소를 완성하도록 한다.
• 제약 하에서 부분 설계를 재도색하는 효율적인 추론 시점 메커니즘을 제공한다.

제안 방법

• 사전 학습된 성능 가이드 노이즈 제거 확산 확률 모델(DDPM)을 활용한다.
• 추론 시 마스크 기반 재샘플링(RePaint)을 구현하여 부분 설계를 재도색한다.
• 재훈련 없이 재도색 과정에서 성능 및 매개변수 제약을 적용한다.
• 이 프레임워크를 파라메트릭 선박 선체 및 익형 설계 벤치마크에 적용하여 가능성을 입증한다.

실험 결과

연구 질문

• RQ1 부분 참조 설계가 DDPM을 재훈련하지 않고도 성능 및 매개변수 제약을 충족하면서 전체 설계로 완성될 수 있는가?
• RQ2 마스크 기반 RePaint가 제약을 적용하고 엔지니어링 설계에서 제어된 새로움을 가능하게 하는 데 어떤 성능을 보이는가?
• RQ3 패러메트릭 선체 및 익형 작업에서 사전 학습된 모델과 비교한 정확도 및 설계 품질은 어떠한가?

주요 결과

• 해당 방법은 부분 참조 설계를 기반으로 기대된 성능을 가진 새로운 설계를 생성합니다.
• RePaint는 평가된 작업에서 사전 학습된 모델과 동등하거나 더 나은 정확도를 달성합니다.
• 생성 과정에서 부분 설계 고정으로 제어된 새로움을 가능하게 합니다.
• 이 프레임워크는 공학 맥락에서 매개변수 제약 인지적 생성 설계를 위한 학습 없는 솔루션을 제공합니다.