面向生成式 AIBIM 的 DDIM 采样：更快的智能结构设计框架
计算机视觉与模式识别
2024-12-31 v1 机器学习
摘要
生成式 AIBIM 作为一个成功的结构设计管道，已证明其能够智能地生成针对特定物理条件所定制的高质量、多样且富有创意的剪力墙设计。然而，当前的生成式 AIBIM 采用的物理基于条件扩散模型（PCDM）需要对每一次生成进行 1000 次迭代，由于依赖于去噪扩散概率模型（DDPM）采样过程，这导致该生成过程既耗时又Computically 密集。为此，本研究引入去噪扩散隐式模型（DDIM），一种加速生成的方法，用以取代 PCDM 中的 DDPM 采样过程。虽然原始 DDIM 旨在为 DDPM 设计，并使 PCDM 的优化过程不同于 DDPM 的优化过程，但本文设计了“为 PCDM 定制的 DDIM 采样”，该方法修改了原始 DDIM 的公式，以适应 PCDM 的优化过程。实验结果表明，为 PCDM 的 DDIM 采样可将原始 PCDM 的生成过程加速约 100 倍，同时保持生成结果的相同视觉质量。这一研究有效地展示了 DDIM 采样在加速 PCDM 智能结构设计方面的有效性。此外，本文重新组织了 DDIM 的内容，侧重于 DDIM 的实际用途。这一变化对于那些可能不具备强烈机器学习理论背景但希望有效利用该工具的研究人员而言尤为重要。
引用
@article{arxiv.2412.20899,
title = {DDIM sampling for Generative AIBIM, a faster intelligent structural design framework},
author = {Zhili He and Yu-Hsing Wang},
journal= {arXiv preprint arXiv:2412.20899},
year = {2024}
}
备注
the 10th International Conference on Innovative Production and Construction (IPC 2024), Perth, Australia. https://ipcannual.com/proceedings/