[论文解读] BézierGAN: Automatic Generation of Smooth Curves from Interpretable Low-Dimensional Parameters

Wei Chen, Mark Fuge|arXiv (Cornell University)|Aug 27, 2018

Advanced Numerical Analysis Techniques参考文献 22被引用 31

一句话总结

BézierGAN 是一种深度生成模型，通过学习生成有理贝塞尔曲线的参数，从低维、可解释的潜在变量中合成平滑、逼真的曲线。它在潜在空间中实现了稳定且可控的形状变化，在形状真实度、平滑度和潜在空间规则性方面优于基线 GAN 模型，因此特别适用于气动和水动设计优化。

ABSTRACT

Many real-world objects are designed by smooth curves, especially in the domain of aerospace and ship, where aerodynamic shapes (e.g., airfoils) and hydrodynamic shapes (e.g., hulls) are designed. To facilitate the design process of those objects, we propose a deep learning based generative model that can synthesize smooth curves. The model maps a low-dimensional latent representation to a sequence of discrete points sampled from a rational Bézier curve. We demonstrate the performance of our method in completing both synthetic and real-world generative tasks. Results show that our method can generate diverse and realistic curves, while preserving consistent shape variation in the latent space, which is favorable for latent space design optimization or design space exploration.

研究动机与目标

• 解决传统参数化方法在形状设计中的局限性，例如未知的参数边界和高维设计空间。
• 学习一种数据驱动的、低维的潜在表征，以捕捉真实世界曲线设计的真实变化范围和边界。
• 确保潜在空间方向上的形状变化一致且可解释，以实现有效的设计空间探索与优化。
• 在无需示例监督或后处理对称性应用的情况下，生成逼真且平滑的曲线。
• 实现高效、灵活且可扩展的曲线生成，适用于航空航天和造船工程设计工作流程。

提出的方法

• 生成器将低维潜在向量映射为有理贝塞尔曲线的控制点和权重。
• 该模型采用 GAN 框架，判别器通过评估从生成曲线中采样的离散点序列的真实性来判断生成质量。
• 应用互信息正则化损失，以强制潜在空间中形状变化的解耦与一致性。
• 生成器在其架构中直接集成对称性约束，以生成更逼真且一致的联合形状。
• 该方法通过对抗损失和互信息最大化实现端到端训练，以改善潜在空间结构。
• 模型在真实世界中的翼型和水线曲线数据集上进行训练，点序列同时作为生成器和判别器的输入。

实验结果

研究问题

• RQ1 深度生成模型能否在保持潜在空间中形状一致性的同时，从低维、可解释的潜在变量中学习合成逼真且平滑的曲线？
• RQ2 与传统参数化技术相比，该方法在设计空间覆盖范围和参数边界估计方面表现如何？
• RQ3 该模型的潜在空间在单个维度上在多大程度上支持有意义且单调的形状变化，以支持设计优化？
• RQ4 该模型能否在无需示例引导或后处理对称性应用的情况下，生成多样化且逼真的曲线？
• RQ5 与基线 GAN 模型相比，该模型在似然性、平滑度和潜在空间规则性等定量指标上的表现如何？

主要发现

• 在所有实验中，BézierGAN 的平均对数似然（MLL）均高于 InfoGAN，表明其对真实数据分布的逼近效果更优。
• 该模型表现出更优的平滑度，相对差异方差（RVOD）得分显示生成的曲线显著优于 InfoGAN 生成的曲线。
• BézierGAN 和 InfoGAN 的潜在空间一致性（LSC）得分均较高，其中 BézierGAN 在潜在维度上表现出一致且可解释的形状变化，例如前缘圆润度和表面凸起程度。
• 生成器成功地在不同潜在维度上捕捉了关键几何属性，如前缘形状、尾部宽度和中线长度，从而支持直观的设计操作。
• 生成形状的控制点和权重在视觉上合理，且与曲线几何保持接近，表明参数化稳定且具有实际意义。
• 与基线 GAN 模型相比，该模型在生成逼真翼型和水线曲线方面表现更优，视觉和定量结果均证实了其高保真度和结构一致性。