[论文解读] RePaint-Enhanced Conditional Diffusion Model for Parametric Engineering Designs under Performance and Parameter Constraints
简要回答：引入一个在 RePaint 加强的框架，使用经预训练的性能引导 DDPM，从部分参考出发在不重新训练的情况下生成参数约束的设计，允许在性能和参数约束下基于掩模进行重绘。
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.
研究动机与目标
- 在不重新训练的情况下，激励并实现受性能与参数约束的参数化设计生成。
- 在保持约束的同时，使从部分参考出发的缺失设计组件得以完成。
- 提供一个在推理时高效的机制，以在约束下对部分设计进行重绘。
提出的方法
- 使用一个经预训练的性能引导去噪扩散概率模型（DDPM）。
- 在推理阶段实现基于掩模的重新采样（RePaint）以对部分设计进行重绘。
- 在不对模型重新训练的前提下，在重绘过程中强制执行性能与参数约束。
- 将该框架应用于参数化船体与翼型设计基准，以证明可行性。
实验结果
研究问题
- RQ1在不重新训练 DDPM 的情况下，部分参考设计是否能够在满足性能和参数约束的前提下完整为完整设计？
- RQ2基于掩模的 RePaint 在强制约束与实现受控新颖性方面的表现如何？
- RQ3相对于在参数化船体与翼型任务上的预训练模型，准确性与设计质量的比较如何？
主要发现
- 该方法在部分参考设计的基础上生成具有预期性能的新颖设计。
- RePaint 的准确性与评估任务上的预训练模型相当或更好。
- 通过在生成过程中固定部分设计，该方法实现了受控的新颖性。
- 该框架为工程领域的参数约束感知生成设计提供了无训练解决方案。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。