LAMP：数据高效的线性仿射权重空间模型用于参数控制的3D形状生成与外推
机器学习
2026-01-21 v2 计算工程、金融与科学
计算机视觉与模式识别
摘要
生成满足特定参数约束的高保真 3D 几何形状在设计和工程中具有广泛应用前景。然而，当前方法通常依赖大量训练数据，且在可控性和训练分布之外的泛化方面存在挑战。为克服这些限制，我们引入了 LAMP（Linear Affine Mixing of Parametric shapes），一个用于可控且可解释的 3D 生成的数据高效框架。LAMP 首先通过在共享初始化上对每个示例进行过拟合来对签名距离函数（SDF）解码器进行对齐，然后在对齐后的权重空间中求解参数受约束的混合问题以合成新的几何形状。为确保鲁棒性，我们进一步提出了一种安全度量，通过线性不匹配检测几何有效性。我们在两个 3D 参数基准数据集上评估了 LAMP：DrivAerNet++ 和 BlendedNet。我们发现 LAMP 能够实现：（i）在仅 100 个样本的情况下进行受约束的插值；（ii）通过超过 100% 参数差异进行安全外推；（iii）在固定参数下进行物理性能导向的优化。LAMP 在外推和数据效率方面显著优于条件自动编码器和深度网络插值（DNI）基线。我们的结果表明，LAMP 为设计探索、数据集生成和性能驱动的优化推进了可控、数据高效和安全的 3D 生成。
引用
@article{arxiv.2510.22491,
title = {LAMP: Data-Efficient Linear Affine Weight-Space Models for Parameter-Controlled 3D Shape Generation and Extrapolation},
author = {Ghadi Nehme and Yanxia Zhang and Dule Shu and Matt Klenk and Faez Ahmed},
journal= {arXiv preprint arXiv:2510.22491},
year = {2026}
}