使用变分自编码器进行概念设计与优化的3D形状合成

我们提出了一种数据驱动的3D形状设计方法，该方法能够从现有设计的语料库中学习生成模型，并使用该模型生成广泛的新设计。该方法使用无监督的变分自编码器-解码器架构学习训练语料库中样本的编码，而无需对原始设计进行显式的参数化表示。为了便于生成平滑的最终曲面，我们开发了一种基于原始3D数据距离变换的3D形状表示，而不是使用常用的二值体素表示。一旦建立，生成器将潜在空间表示映射到高维距离变换场，然后自动进行曲面化以产生适用于物理仿真或其他目标函数评估模块的3D表示。我们展示了该方法在滑翔机计算设计中的应用，这些滑翔机经过优化以达到规定的性能分数。我们的结果表明，当与遗传优化相结合时，所提出的方法可以生成丰富的候选概念设计集，这些设计能够实现规定的功能目标，即使原始数据集中只有很少或没有能够实现这些目标的解决方案。