机构名称：
¥ 3.0
抽象生成的对抗网络（GAN）最近被提议是一种潜在的破坏生成设计方法，因为它们具有出色的视觉吸引力和现实样本的能力。然而，我们表明当前的生成器二歧视架构固有地限制了gans作为设计概念生成（DCG）工具的能力。具体来说，我们基于GAN架构对大规模数据集进行了DCG研究，以促进对这些生成模型的性能的理解，以生成新颖和多样化的样本。我们的发现源自一系列的综合和客观评估，表明，尽管传统的gan架构可以生成逼真的样本，但生成的样本和时尚混合的样本非常类似于训练数据集，表现出明显较低的创造力。我们提出了一种使用GAN（DCG-GAN）的DCG的新通用体系，该架构使基于GAN的生成过程能够以几何条件和标准（例如新颖性，多样性和可取性）为指导。我们通过严格的定量评估程序和涉及89名参与者的广泛定性评估来验证DCG-GAN模型的性能。我们通过为工程设计社区提供了几个未来的研究方向和见解，以实现DCG的甘斯潜力尚未开发的潜力。
dcg-gan：具有生成对抗网络的设计概念生成
主要关键词
相关文件推荐
