DeepJEB++: Foundation Model-Driven Large-Scale 3D Engineering Dataset via 2D Latent Space Augmentation
作者: Soyoung Yoo, Leekyo Jeong, Jinsu Ra, Dongeon Lee, Sunwoong Yang, Hyogu Jeong, Namwoo Kang
分类: cs.LG, cs.CE
发布日期: 2026-06-11 (更新: 2026-06-12)
备注: 16 pages, 14 figures. Submitted to ASME Journal of Mechanical Design
💡 一句话要点
提出DeepJEB++以解决大规模3D工程数据集构建问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 3D数据集 数据增强 工程设计 潜在空间 自动化标注 生成模型 仿真标注
📋 核心要点
- 现有的3D数据增强技术无法有效保持几何形状的细微变化，且自动化仿真标注过程困难。
- DeepJEB++通过在2D潜在空间进行数据增强，再将结果转化为3D，解决了数据不足的问题。
- 从不足400个种子设计出发，DeepJEB++成功生成了15,360个仿真标注的3D支架，显著提升了数据集规模。
📝 摘要（中文）
数据驱动的工程设计受到缺乏大规模3D数据集的限制，尤其是几何形状与基于物理的性能标签的配对。现有的3D数据增强技术在保持细微和多样的几何变化方面存在局限，自动化后续的仿真标注过程也面临挑战。本文提出DeepJEB++，一个基于基础模型的数据增强框架，能够在资源受限的情况下将小规模的喷气发动机支架种子集扩展为大规模的仿真标注3D数据集。核心思想是先在数据丰富的2D潜在空间中进行增强，再转化为3D。通过三个阶段的处理，DeepJEB++从不足400个种子设计生成了15,360个仿真标注的3D支架，扩展比例达到40倍。
🔬 方法详解
问题定义：本文旨在解决缺乏大规模3D工程数据集的问题，现有方法在几何变化保持和自动化仿真标注方面存在不足。
核心思路：DeepJEB++的核心思路是利用2D潜在空间进行数据增强，然后将增强结果转化为3D模型，这样可以更好地保留几何特征并提高数据生成效率。
技术框架：该方法分为三个阶段：第一阶段，微调预训练的2D潜在扩散模型，合成新视图并通过视觉语言模型进行质量过滤；第二阶段，将验证后的图像提升为3D网格；第三阶段，自动识别网格上的负载和螺栓接口，并分配有限元标签。
关键创新：DeepJEB++的创新在于其在2D潜在空间的增强策略，能够有效生成多样化的3D设计，并实现自动化标注，显著提高了数据集的规模和质量。
关键设计：在模型设计中，采用了潜在扩散模型和生成基础模型，并通过质量过滤确保生成设计的可制造性，此外，自动化管道的设计使得标注过程无需人工干预。
🖼️ 关键图片
📊 实验亮点
DeepJEB++的实验结果显示，从不足400个种子设计生成了15,360个仿真标注的3D支架，扩展比例达到40倍。该方法在制造性、标签保真度和分布一致性等方面的评估显示出显著的提升，验证了其在数据增强和自动化标注中的有效性。
🎯 应用场景
该研究的潜在应用领域包括航空航天、汽车工程和其他需要高质量3D模型的工程设计领域。通过提供大规模的仿真标注数据集，DeepJEB++将推动工程AI研究的发展，促进设计优化和性能评估的自动化。未来，该方法可能会扩展到其他类型的工程数据集构建中，具有广泛的实际价值。
📄 摘要（原文）
Data-driven engineering design is constrained by the lack of large-scale 3D datasets that pair geometry with physics-based performance labels. In particular, existing 3D data augmentation techniques have limitations in preserving subtle and diverse geometric variations, and it remains difficult to automate the subsequent simulation-labeling process, where boundary conditions vary depending on the generated geometry. We present DeepJEB++, a foundation-model-driven data-augmentation framework that expands a small seed set of jet engine brackets into a large, simulation-labeled 3D dataset under constrained resources. Our key idea is to augment in the data-rich 2D latent space, then transfer to 3D. In Stage 1, we fine-tune a pretrained 2D latent diffusion model on multi-view renders and synthesize novel views by latent interpolation, retaining manufacturable designs through a vision-language-model (VLM) quality filter. In Stage 2, the validated images are lifted to 3D meshes by a domain-adapted generative foundation model. In Stage 3, an automated pipeline recognizes the load and bolt interfaces on each mesh and assigns finite-element labels -- mass, stress, and displacement -- without manual intervention. We assess augmentation quality along three intrinsic axes: manufacturability, label fidelity against the SimJEB ground truth, and distributional consistency. Starting from fewer than 400 seed designs, DeepJEB++ yields 15,360 simulation-labeled 3D brackets -- a 40x expansion -- using a single GPU per stage. The dataset will be made publicly available to support reproducible engineering-AI research.