An Artificial Intelligence-Generated Content-Enabled Personalized Design Approach for Proactive User Interaction in an Immersive Environment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Rapid advancement of artificial intelligence and immersive technologies is revolutionizing various sectors, notably product design. However, the traditional personalized design process, which depends on predefined elements with limited user input, often results in products that do not fully align with individual preferences and lack substantial user engagement. To fill this gap, the emergence of artificial intelligence (AI)-generated content (AIGC) presents a significant opportunity for mass personalization through natural language interactions. Inspired by this paradigm, this article proposes an AIGC-enabled personalized product design approach, which integrates a configuration retrieval model with a fine-tuned text-to-3D generative model (TAPS3D model), enabling users to create personalized products within an immersive environment. While the current system requires approximately two minutes for 3D shape generation, this level of responsiveness is considered suitable for concept exploration in early-stage design workflows, where rapid iteration is prioritized over instantaneous feedback. Furthermore, a case study is conducted focusing on the design of personalized steering wheels to demonstrate the feasibility of this methodology. Furthermore, the effectiveness of the proposed approach in improving user experience is evaluated using a comparative experiment with the traditional configuration system. The findings indicate that our proposed AIGC-enabled personalized design system effectively enhances personalization, facilitates user engagement, improves the interaction experience, and increases user satisfaction.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle