DeepWheel

DeepWheel数据集是由韩国科学技术院（KAIST）的研究团队创建的，包含超过6,000张逼真的合成渲染图像和904个经过有限元分析（FEA）的结构分析3D模型。该数据集利用生成式AI技术生成2D渲染图像，并通过深度估计重建3D几何形状，进而进行结构仿真以提取工程性能数据。数据集广泛应用于代理模型训练、数据驱动逆设计以及设计空间探索等领域，为车辆轮设计提供了宝贵资源。

The DeepWheel dataset was developed by a research team from the Korea Advanced Institute of Science and Technology (KAIST). It contains over 6,000 photorealistic synthetic rendered images and 904 3D structural analysis models that have undergone finite element analysis (FEA). This dataset leverages generative AI technologies to generate 2D rendered images, reconstructs 3D geometric shapes via depth estimation, and conducts structural simulations to extract engineering performance data. The dataset is widely applied in fields such as surrogate model training, data-driven inverse design and design space exploration, serving as a valuable resource for vehicle wheel design.

搜集汇总

数据集介绍

构建方式

DeepWheel数据集的构建采用了多阶段自动化流程，融合生成式AI与工程仿真技术。研究团队首先利用Stable Diffusion模型生成6,249张二维轮毂渲染图像，通过图像到图像的转换技术实现设计变体的高效创建。随后采用基于Marigold框架的深度预测模型，将2D图像转换为2.5D深度图表示，该模型经过领域特定的RGB-D数据微调，在仅使用少量训练样本的情况下实现了0.047的AbsRel误差。在三维重建阶段，通过点云离散化和移动立方体算法将深度图转化为904个可编辑的3D网格模型，最终通过Altair SimLab进行有限元分析，获取包括质量、第7/11阶模态频率在内的结构性能数据。整个流程实现了从概念设计到性能评估的端到端自动化。

使用方法

数据集支持三种典型应用场景：首先，6000+渲染图像可用于训练生成式设计模型，通过文本提示（如'高性能汽车轮毂'）引导新设计生成。其次，904个带仿真结果的3D模型适用于构建图神经网络(GNN)代理模型，输入网格顶点坐标可预测质量、模态频率等性能指标，预测误差较传统方法降低38%。研究者还可利用t-SNE降维后的二维嵌入空间，通过拉丁超立方采样(LHS)选取代表性设计进行设计空间探索。所有模型提供STEP和STL双格式，兼容主流CAD/CAE工具链，仿真结果CSV文件包含标准化性能指标，支持Pareto前沿分析等多目标优化任务。

背景与挑战

背景概述

DeepWheel数据集由韩国科学技术院（KAIST）的Soyoung Yoo和Namwoo Kang等研究人员于2025年创建，旨在解决车辆轮毂设计中缺乏大规模、高质量3D几何与物理性能数据的问题。该数据集通过生成式AI框架，结合Stable Diffusion生成2D渲染图像，并通过2.5D深度估计重建3D几何，最终包含6,000张高真实感图像和900个经过结构分析的3D模型。DeepWheel为替代模型训练、数据驱动的逆向设计和设计空间探索提供了重要资源，推动了工程设计中数据驱动方法的应用。

当前挑战

DeepWheel数据集面临的挑战主要包括：1) 领域问题挑战：轮毂设计需兼顾美学与工程性能（如刚度、质量分布），传统方法难以高效生成符合多目标约束的多样化设计；2) 构建过程挑战：从2D图像重建复杂轮毂3D几何时，需解决拓扑优化形状的细节还原、深度预测的精度问题，以及大规模CAE仿真中的网格质量和计算效率问题。此外，多模态数据（图像、3D模型、仿真结果）的协同对齐与标准化处理也是关键难点。

常用场景

经典使用场景

DeepWheel数据集在车辆轮毂设计的创新研究中扮演了关键角色。该数据集通过生成式AI技术，将2D渲染图像转化为3D几何模型，并结合结构仿真数据，为研究者提供了丰富的设计样本和性能指标。其经典使用场景包括轮毂设计的多样性探索、结构优化算法的验证，以及基于深度学习的代理模型训练。数据集中的6000多张高真实感图像和900个经过结构分析的3D模型，为设计师和工程师提供了一个全面的实验平台，支持从概念设计到性能评估的全流程研究。

解决学术问题

DeepWheel数据集有效解决了轮毂设计领域长期存在的几个关键学术问题。首先，它填补了高质量3D轮毂几何与物理性能数据集的空白，使得数据驱动的设计方法得以应用。其次，通过拓扑优化和生成式AI技术，数据集提供了前所未有的设计多样性，克服了传统方法在形状和结构上的局限性。此外，数据集中的多模态数据（包括2D图像、3D模型和仿真结果）为研究设计-性能映射关系提供了坚实基础，推动了基于深度学习的代理模型和逆向设计方法的发展。

实际应用

在实际工程应用中，DeepWheel数据集为汽车轮毂的设计和优化提供了强大支持。设计师可以利用数据集中的多样化设计样本快速生成创新概念，并通过集成的性能数据评估其可行性。制造企业可以基于数据集训练高效的代理模型，大幅减少传统仿真分析的时间和成本。此外，数据集还可用于开发自动化的设计系统，实现从概念生成到性能验证的端到端流程，显著提升产品开发效率和质量。

数据集最近研究

最新研究方向

近年来，DeepWheel数据集在汽车轮毂设计与性能评估领域的研究方向主要集中在生成式人工智能与多模态数据融合的应用上。随着数据驱动设计方法的兴起，该数据集通过结合生成对抗网络（GANs）和扩散模型（Diffusion Models），实现了从2D渲染图像到3D几何模型的高效转换，并进一步通过结构仿真提取工程性能数据。前沿研究热点包括利用拓扑优化技术扩展设计空间的多样性，以及开发基于深度图的3D重建方法以提升几何细节的精确度。这些研究不仅推动了轮毂设计的自动化与优化，还为复杂工程部件的AI辅助设计提供了新的方法论支持，具有重要的工业应用价值。

相关研究论文

• DeepWheel: Generating a 3D Synthetic Wheel Dataset for Design and Performance Evaluation

  韩国科学技术院（KAIST） · 2025年