基于条件隐空间扩散模型的结构化设计生成方法ConStruct-LDM及其在船型设计中的应用
《IEEE Access》:ConStruct-LDM: Conditional Latent Diffusion Model for Structured Design
【字体:
大
中
小
】
时间:2025年12月11日
来源:IEEE Access 3.6
编辑推荐:
本文针对工程设计中需平衡多性能指标、依赖专家经验且成本高昂的问题,提出了一种基于图像生成技术的条件生成模型ConStruct-LDM。该研究通过将三维船体表示为二维深度图,结合VQ-VAE-2提取全局特征,并在隐空间采用潜扩散模型(LDM)进行高效生成,引入条件输入零初始化策略提升训练稳定性。实验表明,该方法在船型生成任务中各项评价指标(FID、Precision/Recall、RMSE)均优于传统方法,生成样本还能有效提升下游性能预测任务的精度。这项工作为工程形状设计自动化提供了新思路,具有重要的理论价值和实际应用前景。
在船舶设计领域,船体线型设计是一个充满挑战的工程决策过程,需要综合考虑经济性、安全性和环保性能等多重目标。传统设计方法严重依赖设计师的经验积累,通过反复试错来寻找最优方案,这种模式不仅效率低下,而且难以应对日益复杂的设计要求。特别是在设计初期阶段,微小的设计变更都可能对最终性能产生重大影响,因此如何快速生成多样化且符合性能要求的船体型线,成为船舶设计领域亟待解决的关键问题。
近年来,随着深度学习技术的快速发展,生成式人工智能为工程设计带来了新的机遇。特别是扩散模型和生成对抗网络(GAN)在图像生成领域取得的突破,为三维形状生成提供了新的技术路径。然而,在船体设计这一特定领域,可用数据集的稀缺性成为制约模型训练的主要瓶颈。大多数公开数据都集中在现有船型上,缺乏足够的多样性,这对生成模型的训练提出了严峻挑战。
针对这一难题,日本横滨国立大学与日本海洋联合公司的研究团队在《IEEE Access》上发表了一项创新性研究,提出了一种名为ConStruct-LDM的条件潜扩散模型。该方法基于一个重要的观察:船体这类光滑结构且遮挡较少的三维形状,可以通过单侧视角的深度图进行有效表示,而不会丢失关键几何信息。这种二维表示方式为应用成熟的图像生成技术奠定了基础。
研究团队采用了多层次的技术创新方案。首先,他们基于VQ-VAE-2构建了分层自编码器,这种结构能够同时捕捉船体形状的局部几何特征和全局结构信息。与传统的VQ-VAE相比,VQ-VAE-2的层次化潜表示能够更好地保持复杂空间关联性,这对于船体这种整体结构连续性要求较高的形状尤为重要。
在生成模块设计上,研究人员选择了潜扩散模型(LDM)作为核心架构。与在像素空间直接进行扩散的传统方法不同,LDM首先将输入图像编码到压缩的潜空间,然后在潜空间执行去噪过程,最后通过解码器重建图像。这种策略显著降低了计算成本,使得高分辨率形状生成变得可行。
一个关键的技术创新是条件注入策略的优化。研究团队比较了三种不同的条件输入方式:常规注入(Normal)、计划调度注入(Scheduled)和零初始化注入(Zero)。实验结果表明,零初始化策略在所有的扩散步数设置(T=200,500,1000)下都取得了最佳性能。这种方法将条件注入MLP的最后一层权重和偏置初始化为零,使得条件信息在训练初期不影响模型输出,随着训练进程逐渐学习条件依赖性,从而提高了训练稳定性和生成质量。
在实验设计方面,研究团队构建了一个包含934个船体深度图的数据集,每个深度图对应一个船型的型值数据,并包含傅汝德数(Fn)、形状因子(K)、推力减额系数(1-t)和伴流分数系数(1-w)等性能指标。深度图的尺寸为64×512像素,每个像素表示船体长度归一化后每5米对应的横向距离。
关键技术方法包括:基于VQ-VAE-2的分层自编码器用于形状特征提取;潜扩散模型(LDM)用于隐空间生成;零初始化条件注入策略用于训练稳定;分类器无关引导(CFG)用于控制生成质量;使用船体性能预测模型的编码器作为特征提取器替代传统的Inception v3进行评价指标计算。
与StyleGAN2和标准LDM相比,ConStruct-LDM在几乎所有评价指标上都表现出显著优势。在FID-k、FID-t和FID-w三个指标上,ConStruct-LDM分别达到了0.337、0.056和0.195,明显优于对比方法。在Recall指标上,ConStruct-LDM也取得了0.684、0.694和0.690的高分,表明生成样本具有更好的多样性和覆盖度。特别是在条件一致性方面,RMSE-k、RMSE-t和RMSE-w分别降低到0.0459、0.0302和0.0459,证明生成形状能更好地满足输入条件要求。
零初始化策略在所有测试条件下均表现最优,这主要是因为该方法允许模型自主渐进地学习条件依赖性,避免了训练初期对条件信息的过度依赖导致的过拟合问题。相比之下,常规注入策略由于过早引入强条件约束,容易导致训练不稳定;计划调度注入则对调度函数的设计敏感,在复杂形状生成任务中难以达到最优效果。
通过ConStruct-LDM生成的深度图能够准确反映船体的几何特征,生成的三维重建形状显示出良好的结构合理性和光滑度。从船尾斜视角和正后视角观察,生成船体都表现出符合实际工程要求的几何特性。
研究还验证了ConStruct-LDM在数据增强方面的价值。通过在原始训练数据基础上添加约8000个生成样本,船体性能指标预测模型的准确率得到显著提升。其中,形状因子K的预测RMSE从0.0369降低到0.0317,改善最为明显,这主要是因为原始数据集中每个船型只有一个K值,数据量相对有限,数据增强的效果更为突出。
这项研究的创新性在于成功将图像生成技术应用于工程形状设计领域,通过合理的结构设计和训练策略优化,解决了小样本条件下高质量形状生成的难题。ConStruct-LDM不仅能够生成多样且符合工程要求的船体型线,还能作为有效的数据增强工具支持下游设计任务。该方法的应用不仅限于船舶设计,还可推广到其他受空气动力学或水动力学特性约束的工程形状设计领域,为基于机器学习的智能设计支持系统奠定了基础。
研究的局限性在于当需要开发全新类型的船体时,需要重新收集包含目标船型类似样本的数据集进行模型训练。未来工作可探索跨域迁移学习等策略,进一步提升模型在数据稀缺条件下的泛化能力。总体而言,这项研究为工程设计自动化提供了切实可行的技术路径,展示了生成式AI在传统工程领域的应用潜力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号