几何感知神经网络
机器学习
2025-07-21 v4 计算机视觉与模式识别
摘要
几何是计算机图形、设计和工程中普遍的工具。然而，缺乏大型形状数据集限制了最先进的监督式学习方法的应用，并激励探索替代学习策略。为此，我们引入了几何感知神经网络（GINNs）——一个用于在利用用户指定的设计要求（以目标和约束形式）训练无数据形状生成神经网络的框架。通过将多样性作为显式约束添加，GINNs避免模式崩溃并可以生成多个多样化解决方案，这在几何任务中通常是必需的。实验上，我们将GINNs应用于多个问题，涵盖物理、几何和工程设计，展示了对几何和拓扑属性的控制，如表面光滑性或孔数。这些结果表明，在没有数据的情况下训练形状生成模型的潜力，为在没有大型数据集的新型生成设计方法之路。
引用
@article{arxiv.2402.14009,
title = {Geometry-Informed Neural Networks},
author = {Arturs Berzins and Andreas Radler and Eric Volkmann and Sebastian Sanokowski and Sepp Hochreiter and Johannes Brandstetter},
journal= {arXiv preprint arXiv:2402.14009},
year = {2025}
}
备注
Code available at https://github.com/ml-jku/GINNs-Geometry-informed-Neural-Networks