首页/论文/2107.09402

arXiv 2107.094022021-07-20cond-mat.mtrl-scics.LG

使用生成对抗网络建立过程-结构联系

Establishing process-structure linkages using Generative Adversarial Networks

National Institute of Technology Calicut（卡利卡特国家理工学院）

Mohammad Safiuddin, CH Likith Reddy, Ganesh Vasantada, CHJNS Harsha, Srinu Gangolu

备注：: 16 pages, 9 figures

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

材料的显微组织对其力学性能有很大的影响，而显微组织本身又受加工条件的影响。因此，建立过程-结构-性能关系是材料设计中的一项重要任务，并且在许多工程应用中具有重要意义。我们开发了一个GAN（生成对抗网络），根据给定的加工条件合成微结构。这种方法没有特征工程，需要很少的领域意识，并可以应用于各种各样的材料系统。结果表明，我们的GAN模型可以产生高保真的多相组织，具有良好的相关性与给定的工艺条件。

英文摘要：

The microstructure of material strongly influences its mechanical properties and the microstructure itself is influenced by the processing conditions. Thus, establishing a Process-Structure-Property relationship is a crucial task in material design and is of interest in many engineering applications. We develop a GAN (Generative Adversarial Network) to synthesize microstructures based on given processing conditions. This approach is devoid of feature engineering, needs little domain awareness, and can be applied to a wide variety of material systems. Results show that our GAN model can produce high-fidelity multi-phase microstructures which have a good correlation with the given processing conditions.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

LinkD：用于机械连杆合成的自回归扩散模型

LinkD: AutoRegressive Diffusion Model for Mechanical Linkage Synthesis

Department of Mechanical Engineering, Carnegie Mellon University, Pittsburgh, PA, USA（机械工程系，卡内基梅隆大学，匹兹堡，PA，USA）

LinkD通过自回归扩散模型实现机械连杆的高效逆向设计，结合因果Transformer和DDPM，支持动态生成和自适应修正，适用于大规模复杂机械系统。

2026-01-07cs.LG

FragmGAN：用于碎片数据插补和预测的生成对抗网络

FragmGAN: Generative Adversarial Nets for Fragmentary Data Imputation and Prediction

East China Normal University（华东师范大学）

现代科学研究和应用中经常会遇到“碎片数据”，这给估算和预测带来了很大的挑战。通过利用响应模式的结构，我们提出了一个统一的和灵活的框架，基于生成对抗网（GAN），同时处理碎片数据填补和标签预测。与大多数其他基于生成模型的插补方法不同，这些方法要么没有理论保证，要么只考虑随机缺失（MCAR），所提出的FragmGAN具有理论保证，可以用随机缺失（MAR）数据进行插补，而不需要提示机制。FragmGAN同时使用生成器和预测器训练预测器。在大量的实验中，这种联动机制显示出显着的优势，预测性能。

2022-03-09cs.AIcs.LG

基于深度生成模型的具有目标条件的四杆连杆机构综合

Deep Generative Model-based Synthesis of Four-bar Linkage Mechanisms with Target Conditions

KAIST（韩国科学技术院）；Narnia Labs（纳尼亚实验室）

针对四杆机构需同时满足运动学与准静态要求的设计难题，提出面向机构综合改进的cGAN生成多个可行曲柄摇杆方案，并优于cVAE与NSGA-II。

2024-02-22cs.AIcs.CEcs.LG

Adversarial Variational Bayes：统一变分自编码器和生成对抗网络

Adversarial Variational Bayes: Unifying Variational Autoencoders and Generative Adversarial Networks

MPI Tübingen（图宾根马普研究所）；Microsoft Research Cambridge（微软剑桥研究院）；ETH Zürich（苏黎世联邦理工学院）

变分自编码器（VAE）是一种表达性的潜变量模型，可用于从训练数据中学习复杂的概率分布。然而，最终模型的质量主要依赖于推理模型的表达能力。我们介绍了对抗变分贝叶斯（AVB），一种用于训练具有任意表达推理模型的变分自编码器的技术。我们通过引入一个辅助判别网络来实现这一目标，该网络允许将最大似然问题重新表述为两人游戏，从而在VAE和生成对抗网络（GANs）之间建立原则性联系。我们表明，在非参数限制，我们的方法产生一个确切的最大似然分配的生成模型的参数，以及确切的后验分布的潜变量给定的观察。与将VAE与GANs相结合的竞争方法相反，我们的方法具有明确的理论依据，保留了标准变分自编码器的大多数优点，并且易于实现。

2018-06-11cs.LG

EBGAN-MDN：一种基于能量的多模态行为克隆对抗框架

EBGAN-MDN: An Energy-Based Adversarial Framework for Multi-Modal Behavior Cloning

针对多模态行为克隆中的模式平均与崩溃问题，提出整合能量模型、混合密度网络和对抗训练的EBGAN-MDN框架，利用改进损失函数在合成及机器人基准上取得优越性能。

2025-10-08cs.LG

复杂数据集上的对抗性视频生成

Adversarial Video Generation on Complex Datasets

DeepMind

自然图像的生成模型已经通过规模的强大杠杆作用向高保真样本发展。我们试图通过展示在复杂的Kinetics-600数据集上训练的大型生成对抗网络能够产生比以前工作更高复杂度和保真度的视频样本，将这一成功带到视频建模领域。我们提出的模型，双视频鉴别器GAN（DVD-GAN），规模更长，更高分辨率的视频，利用计算效率的分解，其分辨率。我们对视频合成和视频预测的相关任务进行了评估，并实现了用于Kinetics-600预测的最新Fréchet Inception Distance，以及用于UCF-101数据集合成的最新Inception Score，同时为Kinetics-600的合成建立了强大的基线。

2019-09-25cs.CVcs.LGstat.ML

更多相关论文收起更多论文

生成对抗网络用于资源态生成

Generative Adversarial Networks for Resource State Generation

Centre for Quantum Science and Technology, International Institute of Information Technology, Hyderabad（量子科学与技术中心，国际信息技术研究所，海得拉尔）；Center for Security Theory and Algorithmic Research, International Institute of Information Technology, Hyderabad（安全理论与算法研究中心，国际信息技术研究所，海得拉尔）；TCS Research, TATA Consultancy Services, India（TCS研究，塔塔咨询公司，印度）

本文提出一种融合物理约束的生成对抗网络框架，通过嵌入任务特定的效用函数，生成优化于量子态传输和纠缠广播的双量子比特态，验证了结构约束在提高保真度和训练稳定性方面的有效性。

2026-03-18cs.LGquant-ph

锻造新世界：具有链式生成对抗网络的高分辨率合成星系

Forging new worlds: high-resolution synthetic galaxies with chained generative adversarial networks

University of Edinburgh（爱丁堡大学）

21世纪的天文学越来越多地发现自己拥有大量的数据。这种数据的增长对于现代技术来说已经成熟，例如深度图像处理，它有可能使天文学家能够自动识别，分类，分割和分解各种天文物体。在本文中，我们探索了链式生成对抗网络（GANs）的使用，这是一类生成模型，通过对数据的联合分布进行建模来学习从潜在空间到数据分布的映射，以生成物理上真实的星系图像作为此类模型的一个用例。在宇宙学中，这些数据集可以通过用合成图像增强数据来帮助校准弱透镜效应的形状测量。通过测量多个物理特性的分布，我们表明，与我们的方法生成的图像密切遵循真实星系的分布，进一步建立国家的最先进的GAN架构作为一个有价值的工具，为现代天文学。

2019-03-16astro-ph.GAastro-ph.IMcs.LG

扩散模型的结构引导对抗训练

Structure-Guided Adversarial Training of Diffusion Models

Peking University（北京大学）

针对现有扩散模型训练忽略小批次内样本结构信息的问题，提出结构引导对抗训练方法SADM，通过结构判别器与生成器的极小极大博弈学习样本流形结构，在12个数据集的图像生成等任务上刷新SOTA。

2024-03-04cs.AIcs.CVcs.LG

通过保形对抗生成实现合成数据的统计保证

Statistical Guarantees in Synthetic Data through Conformal Adversarial Generation

WorkOnward Inc WOW AI Labs California（WorkOnward公司WOW AI实验室加州）；Department of Computer Science California State University Long Beach（计算机科学系加州州立大学长滩分校）；Department of Computer Science Emory University（计算机科学系埃默里大学）

本文提出Conformalized GAN（cGAN）框架，将多种保形预测方法融入GAN，为合成数据提供无分布不确定性量化、有限样本有效性与渐近效率保证。

2025-05-11cs.AIcs.LG

基于隐分布的变分推断

Variational Inference using Implicit Distributions

Twitter（推特）

生成对抗网络（GANs）为我们提供了一个很好的工具，可以将隐式生成模型拟合到数据中。隐式分布是我们可以很容易地从中采样的分布，并且可以对样本对模型参数求导。这些模型是高度表达，我们认为他们可以证明是一样有用的变分推断（VI），因为他们是生成建模。有几篇论文提出了类似GAN的推理算法，然而，与VI理论的联系并不总是很好理解。本文对现有算法进行了统一的回顾，这些算法在变分自编码器、逆向学习推理、算子VI、基于GAN的图像重建等之间建立了联系。其次，本文提供了一个框架，用于建立新的算法：根据变分界的方式表示，我们引入先验对比和联合对比的方法，并显示实际的推理算法的基础上，无论是密度比估计或去噪。

2017-02-27cs.LGstat.ML

RadioGen3D: 通过对抗学习在大规模合成数据上生成3D无线电地图

RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data

School of Science and Engineering (SSE)（科学与工程学院）；Shenzhen Future Network of Intelligence Institute (FNii-Shenzhen)（深圳未来网络智能研究所）；Guangdong Provincial Key Laboratory of Future Networks of Intelligence（广东省未来网络智能重点实验室）；Chinese University of Hong Kong at Shenzhen（香港中文大学（深圳））；School of Advanced Engineering（先进工程学院）；Great Bay University（大亚湾大学）

RadioGen3D通过对抗学习在大规模合成数据上生成3D无线电地图，解决3D信号传播和天线极化问题，提升估计精度和速度。

2026-02-21cs.LG

生成对抗语音学：用神经网络建模无监督语音和语音学习

Generative Adversarial Phonology: Modeling unsupervised phonetic and phonological learning with neural networks

University of Washington（华盛顿大学）；University of California, Berkeley（加利福尼亚大学伯克利分校）

在语音数据中对深度神经网络进行充分理解的依赖性训练，可以为它们如何学习内部表示提供新的见解。本文认为，收购的语音可以建模为随机空间和生成的语音数据之间的依赖关系的生成对抗网络架构，并提出了一种方法来揭示网络的内部表示，对应于语音和音韵属性。生成对抗架构非常适合语音和语音学习建模，因为网络是在未注释的原始声学数据上训练的，并且学习是无监督的，没有任何语言特定的假设或预先假设的抽象级别。一个生成对抗网络在英语中的一个allophonic分布上进行训练。该网络成功地学习了语音交替：网络生成的语音信号包含吸气持续时间的条件分布。该论文提出了一种建立网络内部表示的技术，该技术识别与[s]及其频谱属性的存在相对应的潜在变量。通过操纵这些变量，我们主动控制[s]的存在及其在生成的输出中的摩擦幅度。这表明网络学会使用潜在变量作为语音和音位表征的近似值。至关重要的是，我们观察到在训练中学习到的依赖关系超出了训练间隔，这允许对学习表示进行额外的探索。本文还讨论了网络的架构和创新输出如何与语言习得，言语障碍和言语错误中的语言行为相似和不同，以及如何充分理解语音数据中的依赖关系可以帮助我们解释神经网络如何学习它们的表示。

2020-06-06cs.CLcs.LGq-bio.NC

变废为宝：利用低质量样本增强连续条件生成对抗网络

Turning Waste into Wealth: Leveraging Low-Quality Samples for Enhancing Continuous Conditional Generative Adversarial Networks

Nanjing University of Information Science & Technology（南京信息工程大学）；Zhejiang University（浙江大学）；University of British Columbia（不列颠哥伦比亚大学）

提出Dual-NDA方法，通过引入视觉不真实和标签不一致两类负样本改进判别器目标与CcGAN训练算法，显著提升了生成图像的视觉保真度与标签一致性，超越现有条件GANs和扩散模型。

2023-12-31cs.CVcs.LG

Anomaly-Flow：一种用于分布式拒绝服务检测的多域联邦生成对抗网络

Anomaly-Flow: A Multi-domain Federated Generative Adversarial Network for Distributed Denial-of-Service Detection

Aeronautics Institute of Technology (ITA)（航空技术学院）；Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）

针对多域环境下现有机器学习DDoS检测方案部署受限的问题，提出结合联邦学习与生成对抗网络的Anomaly-Flow框架，在保护数据隐私的同时实现跨域协同检测，性能优于基线模型，为协同网络防御研究奠定基础。

2025-03-18cs.CRcs.LG

生成对抗网中自适应梯度算法的理解

Towards Better Understanding of Adaptive Gradient Algorithms in Generative Adversarial Nets

The University of Iowa（爱荷华大学）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）

自适应梯度算法使用梯度的历史来执行基于梯度的更新，并且在训练深度神经网络中无处不在。虽然自适应梯度法理论在最小化问题中得到了很好的理解，但推动其在最小化-最大化问题（如GANs）中取得经验成功的潜在因素仍不清楚。在本文中，我们的目的是弥合这一差距，从理论和实证的角度。首先，我们分析了\citep{daskalakis2017training}中提出的求解一类非凸非凹极小极大问题的乐观随机梯度算法（OSG）的一个变体，并建立了求解$ε$ -一阶平稳点的$O(ε^{-4})$复杂度，该算法只需要调用一个随机一阶预言，同时具有\citep{iusem2017extragradient}中随机外梯度算法所达到的最先进的迭代复杂度.然后，我们提出了一个自适应变体的OSG命名为乐观Adagrad（OAdagrad），并揭示了\emph{improved}自适应复杂性$O\left(ε^{-\frac{2}{1-α}}\right)$，其中$α$表征的增长率的累积随机梯度和$0\leq α\leq 1/2$。据我们所知，这是第一个工作，建立自适应复杂性的非凸非凹极大极小优化。从经验上讲，我们的实验表明，自适应梯度算法在GAN训练中确实优于非自适应算法。此外，这一观察结果可以解释为累积随机梯度的缓慢增长率，如经验所观察到的。

2020-12-25cs.LGmath.OC

DensePure：理解扩散模型的对抗鲁棒性

DensePure: Understanding Diffusion Models towards Adversarial Robustness

Arizona State University（亚利桑那州立大学）；NVIDIA（英伟达）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Caltech（加州理工学院）；UIUC（伊利诺伊大学厄巴纳-香槟分校）；UC Berkeley（加州大学伯克利分校）

扩散模型最近已被用于通过去噪过程来提高经认证的鲁棒性。然而，扩散模型为什么能够提高认证的鲁棒性的理论理解仍然缺乏，阻碍了进一步的改进。在这项研究中，我们通过分析扩散模型的基本属性，并建立条件下，他们可以提高认证的鲁棒性，关闭这一差距。这种更深入的理解使我们能够提出一种新的方法DensePure，旨在提高预训练模型（即分类器）的认证鲁棒性。给定一个（对抗性）输入，DensePure包括通过扩散模型（具有不同的随机种子）的反向过程进行多次去噪，以获得多个反向样本，然后将其通过分类器，然后对推断的标签进行多数投票以进行最终预测。这种使用多轮去噪的设计是通过我们对反向样本的条件分布的理论分析得到的。具体而言，当干净样本的数据密度高时，其在扩散模型中的逆过程下的条件密度也高;因此从后一个条件分布中采样可以净化对抗样本，并以高概率返回相应的干净样本。利用条件分布中的最高密度点作为反向样本，确定了给定实例在扩散模型反向过程下的鲁棒区域。我们发现，这个强大的区域是一个联盟的多个凸集，并可能远远大于在以前的作品中确定的强大的区域。在实践中，DensePure可以近似条件分布中高密度区域的标签，从而可以增强认证的鲁棒性。

2022-11-01cs.AIcs.CRcs.LG

学习不连通流形：一个没有GANs的地方

Learning disconnected manifolds: a no GANs land

Criteo AI Lab（Criteo人工智能实验室）；Université Paris-Sorbonne（巴黎索邦大学）

生成对抗网络的典型架构利用由连续生成器转换的单峰潜在分布。因此，建模的分布总是具有连接的支持，这在学习不连通的流形集合时是麻烦的。我们通过为不连通流形学习建立一个没有免费午餐的定理来形式化这个问题，该定理说明了目标分布精度的上限。这是通过建立在一个低质量区域的必要存在，其中发生器连续采样两个断开模式之间的数据。最后，我们推导了一种基于生成元雅可比范数的拒绝抽样方法，并在包括BigGAN在内的几种生成元上证明了该方法的有效性。

2020-12-10cs.LGstat.ML

MicroLad：基于潜在扩散与分数蒸馏的二维到三维微结构重建与生成

MicroLad: 2D-to-3D Microstructure Reconstruction and Generation via Latent Diffusion and Score Distillation

Massachusetts Institute of Technology（麻省理工学院）

针对三维微结构数据集匮乏阻碍结构-性能关联构建与逆向设计的问题，提出MicroLad潜在扩散框架，结合多平面扩散采样与分数蒸馏采样，实现二维到三维微结构重建及逆向可控生成。

2025-11-13cond-mat.mtrl-scics.LG

基于条件扩散的微结构重建

Conditional diffusion-based microstructure reconstruction

微结构重构是反计算材料工程的重要组成部分，目前正以前所未有的速度发展。虽然开发了各种基于训练和免训练的方法，但大多数贡献都基于生成对抗网络。相比之下，扩散模型构成了一个更稳定的替代方案，这是最近成为新的艺术状态，目前吸引了很多关注。目前的工作调查的扩散模型的适用性重建的真实世界的微观结构数据。为此目的，一个高度多样化和形态复杂的数据集是通过结合和处理来自文献的数据库创建的，其中对于给定的材料类的现实显微照片的重建展示了模型捕捉这些特征的能力。此外，纤维复合材料数据集用于验证扩散模型的适用性，可以实际上由一个实验室创建的小数据集的大小。重建的微观结构的质量和多样性是量化的，通过基于几何的误差度量以及Fréchet起始距离（FID）得分。虽然不存在于训练数据集中，但所生成的样本对于未经训练的眼睛来说在视觉上与真实数据无法区分，并且计算各种误差度量。这证明了扩散模型在微观结构重建中的实用性，并为进一步扩展提供了基础，例如2D到3D重建或应用于多尺度建模和结构-性质联系。

2022-11-24cond-mat.mtrl-sci