深度生成方法与轮胎结构设计
机器学习
2025-08-27 v2
摘要
随着深度生成模型在人工智能领域的不断扩张，工业实践者仍面临着尚未回答的关键问题，即哪种深度生成模型最适合复杂的制造设计任务。本工作通过对五种代表性模型（变分自编码器、生成对抗网络、多模态变分自编码器、去噪扩散概率模型和多项分布扩散模型）在工业轮胎结构生成任务上的完整研究来回答这一问题。我们的评估涵盖三个关键的工业情景：(i) 完全多组件设计的无条件生成，(ii) 组件条件生成（从部分观察中重建结构），以及 (iii) 维度受限生成（创建满足特定尺寸要求的结构）。为使离散扩散模型能够处理条件情景，我们引入了类别填充，这是一种掩码感知的逆扩散过程，可在无需额外训练的情况下保留已知标签。我们的评估采用针对工业需求而校准的几何感知指标，量化空间连贯性、组件相互作用、结构连通性和感知保真度。我们的发现表明，扩散模型在整体性能方面取得了最佳成绩；虽然在几乎所有组件条件指标上，经过掩码训练的 VAE 仍然优于多模态变分自编码器 MMVAE+，而在扩散模型内部，MDM 在分布内表现最佳，而 DDPM 在分布外维度约束方面表现更好。
引用
@article{arxiv.2507.11639,
title = {Deep Generative Methods and Tire Architecture Design},
author = {Fouad Oubari and Raphael Meunier and Rodrigue Décatoire and Mathilde Mougeot},
journal= {arXiv preprint arXiv:2507.11639},
year = {2025}
}