GFPack++: 通过注意力学习梯度场提高2D不规则装箱效率
人工智能
2024-06-13 v1 图形学
机器学习
摘要
2D不规则装箱是一个具有多种应用场景的经典组合优化问题，如材料利用和纹理图集生成。这一NP难题需要高效算法来优化空间利用率。传统数值方法 suffer from 收敛速度慢和计算成本高。现有学习方法（如基于评分的扩散模型）也存在局限性，如不支持旋转、频繁碰撞、对任意边界适应性差以及推理速度慢。从教师装箱数据学习的难点在于捕捉装箱示例中复杂的几何关系，包括对象的位置、方向关系、几何特征以及容器边界条件。在潜在空间中表征这些关系具有挑战性。我们提出了GFPack++，一种基于注意力的梯度场学习方法，以解决上述挑战。其包含两个关键策略：用于有效特征编码的注意力几何编码，以及用于学习复杂关系的注意力关系编码。我们研究了教师数据与推理数据之间的利用分布，设计了加权函数以在训练期间优先考虑更紧凑的教师数据，从而提高学习效果。我们的扩散模型支持连续旋转，在 various 数据集上 outperform 现有方法。我们在多个广泛使用的基线上实现了更高的空间利用率，速度比以前基于扩散的方法快一个数量级，并且对任意边界展现出良好的推广能力。我们计划发布源代码和数据集以支持此方向的进一步研究。
引用
@article{arxiv.2406.07579,
title = {GFPack++: Improving 2D Irregular Packing by Learning Gradient Field with Attention},
author = {Tianyang Xue and Lin Lu and Yang Liu and Mingdong Wu and Hao Dong and Yanbin Zhang and Renmin Han and Baoquan Chen},
journal= {arXiv preprint arXiv:2406.07579},
year = {2024}
}