A study of enhancement strategies for artificial intelligence-based automated design tools in complex design tasks
Notice bibliographique
Résumé
With the important achievements of AI team in the application of diffusion model, automated generation demonstrates its stability, realism and accuracy in text-guided image generation design.In this paper, the automated design generation based on the diffusion model is divided into two processes: forward diffusion and reverse generation.The stable diffusion model is constructed from three parts: self-encoder, U-Net network structure, and text encoder, and the ControlNet control architecture is used to realize the control of the diffusion model to learn a specific task.The model is pre-trained using a combination of three functions: perceptual loss, adversarial loss, and cyclic consistency loss.The LoRA algorithm is added to the U-Net layer of the Stable diffusion model to realize the design task function enhancement of the stable diffusion model.The application effect of the improved Stable diffusion model is analyzed through comparative experiments.The experimental results show that the CLIP Score interval of this paper's model is between 20 and 32.5, while the LPIPS is between 0.1 and 0.6, and the kernel density centroid is (24.85,0.4), which means that the proposed method in this paper meets the design requirements with higher fidelity while accomplishing the image design task.In the design images generated by automation, in terms of visual logic rationality, the structural proportions, line contours, light and shadow and picture hierarchical relationships of the generated images perform well, with the evaluation results of 3.258, 3.564, 3.058, 3.615, respectively, which indicates that the design images generated by automation using the model have a strong richness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».