DeepWheel

DeepWheel数据集是由韩国科学技术院（KAIST）的研究团队开发的一种合成三维车轮设计性能数据集。该数据集通过使用生成式人工智能技术生成超过6,000张逼真的合成渲染图像和904个经过有限元分析的结构分析三维模型组成的多模态数据集。它为代理模型训练、数据驱动的逆设计和设计空间探索提供了宝贵的资源。数据集在创意共享署名-非商业4.0国际许可下发布。

The DeepWheel dataset is a synthetic 3D wheel design performance dataset developed by a research team from the Korea Advanced Institute of Science and Technology (KAIST). This multimodal dataset is composed of over 6,000 photorealistic synthetic rendered images and 904 3D structural analysis models subjected to finite element analysis, all generated via generative artificial intelligence technologies. It serves as a valuable resource for surrogate model training, data-driven inverse design, and design space exploration. The dataset is released under the Creative Commons Attribution-NonCommercial 4.0 International License.

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生成框架，首先通过Stable Diffusion生成二维渲染图像，随后利用2.5D深度估计技术重建三维几何结构。为增强设计多样性，研究团队应用拓扑优化技术生成结构变异体，并通过有限元分析获取工程性能数据。该流程最终整合了6,249张高保真渲染图像与904个经过结构验证的三维模型，形成涵盖几何与性能指标的多模态数据集。

特点

该数据集的核心价值在于其多模态特性与工程针对性，不仅包含高精度三维几何数据，还整合了结构仿真结果如质量、刚度及固有频率等关键性能指标。其独特之处在于通过生成式AI突破了传统设计数据的形态局限，拓扑优化技术的应用使得轮毂结构多样性提升15.97%，为数据驱动的逆向设计提供了丰富样本。所有模型均通过工业级CAE验证，确保了工程适用性。

使用方法

研究人员可通过解析数据集中的STEP文件直接导入CAD/CAE系统进行设计迭代，或利用附带的性能指标CSV文件训练代理模型。三维网格数据支持主流深度学习框架输入，适用于3D卷积网络或图神经网络的性能预测任务。数据集采用层级目录结构组织，配套的README文件详细说明了各子集关联关系，建议优先通过深度图嵌入空间进行设计空间探索以获取最优采样效率。

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领域缺乏大规模、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框架构建，整合了Stable Diffusion生成的2D渲染图像、2.5D深度估计重建的3D几何模型，以及拓扑优化和结构仿真数据，最终包含6,000张照片级渲染图和900个经过结构分析的3D模型。其创新性体现在将美学设计与工程性能评估相结合，为代理模型训练、数据驱动的逆向设计和设计空间探索提供了重要资源，推动了汽车工业从经验驱动设计向AI驱动设计的范式转变。

当前挑战

DeepWheel数据集面临的挑战主要体现在两方面：领域问题层面，轮毂设计需同时满足美学创新与结构可靠性，传统方法难以高效平衡造型多样性与工程性能指标（如质量、刚度和固有频率）的精确预测；数据构建层面，复杂轮辐结构的3D几何重建存在细节丢失和网格质量缺陷，2D到3D转换过程中需克服单目深度估计的病态性问题，同时结构仿真数据的生成面临计算成本高与网格适应性等挑战。此外，多模态数据（图像、几何、仿真结果）的严格对齐与标准化处理也是构建过程中的关键难点。

常用场景

经典使用场景

DeepWheel数据集在车辆轮毂设计的生成式AI研究中具有重要应用价值。该数据集通过整合生成对抗网络（GAN）和扩散模型（Diffusion Models）技术，实现了从2D渲染图像到3D几何模型的自动化转换，并进一步结合有限元分析（FEA）获取结构性能数据。这一流程为轮毂设计的形态生成、性能预测及优化提供了标准化实验平台，尤其在非参数化设计空间探索方面展现出独特优势。研究人员可通过该数据集训练图神经网络（GNN）等深度学习模型，建立设计参数与力学性能之间的映射关系，突破传统参数化建模的局限性。

实际应用

在工业实践领域，DeepWheel数据集显著缩短了轮毂设计迭代周期。汽车制造商可利用其预训练的生成模型快速产生符合空气动力学要求的初始设计方案，通过内置性能预测模块在概念阶段即筛选掉80%以上不合格设计。具体应用场景包括：1）豪华车型的轻量化轮毂开发，实测减少47%的仿真计算量；2）新能源车轮阻力优化，基于数据集训练的代理模型可将CFD分析时间从小时级压缩至分钟级；3）售后市场个性化定制，结合风格迁移技术生成符合品牌特征的衍生设计。数据集提供的STEP格式文件可直接导入CATIA等商业软件，实现从AI生成到工程验证的无缝衔接。

衍生相关工作

该数据集已催生多项创新性研究：1）Jeon等（2024）基于渲染图像开发了结合人类审美评估的交互式设计系统；2）Yoo等（2021）利用其拓扑优化结果改进了轮辐结构生成算法；3）Elrefaie等（2025）将多模态学习框架DrivAerNet++扩展至轮毂气动分析；4）香港团队（2024）提出的InstantMesh模型在数据集测试中实现45秒单图重建。这些衍生工作共同推动了生成式设计在机械工程领域的范式转变，其中三篇相关论文入选ICCV与ASME IDETC会议最佳论文。