Drag-guided diffusion models for vehicle image generation

要約

ウェブスケールでトレーニングされたノイズ除去拡散モデルは、画像生成に革命をもたらしました。
これらのツールを工学設計に適用することは興味深い可能性ですが、具体的な工学上の制約を解析して強制することができないため、現時点では制限されています。
このペーパーでは、生成プロセス中に (サロゲート モデルによって予測される) パフォーマンス メトリックの最適化を可能にする物理ベースのガイダンスを提案することで、この目標に向けて一歩を踏み出します。
概念実証として、Stable Diffusion に抗力ガイダンスを追加しました。これにより、このツールは新しい車両の画像を生成しながら、同時に車両の予測抗力係数を最小化できるようになります。

要約(オリジナル)

Denoising diffusion models trained at web-scale have revolutionized image generation. The application of these tools to engineering design is an intriguing possibility, but is currently limited by their inability to parse and enforce concrete engineering constraints. In this paper, we take a step towards this goal by proposing physics-based guidance, which enables optimization of a performance metric (as predicted by a surrogate model) during the generation process. As a proof-of-concept, we add drag guidance to Stable Diffusion, which allows this tool to generate images of novel vehicles while simultaneously minimizing their predicted drag coefficients.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google