融合感性工学与深度学习的多视角新能源汽车造型生成设计方法

【编辑推荐】本研究创新性地将感性工学（KE）与深度学习结合，提出多视角特征融合框架（KNet-ResNet-FCN），通过精英遗传算法（EGA）优化形态元素组合，并利用生成式AI实现设计闭环验证，为新能源汽车造型设计提供了兼顾用户情感偏好与工程可行性的智能化解决方案。

　　

Highlight

本研究突破传统感性工学单视角局限，构建了融合核网络（KNet）语义分割、残差网络（ResNet）三视图评分预测和全连接网络（FCN）特征融合的深度学习框架，结合精英遗传算法（EGA）实现形态元素优化组合，并通过生成式AI工作流验证设计方案的感知评分优势。

Methodology

方法论

研究提出"KE+深度学习+EGA"的创新框架（图3），通过大数据挖掘用户核心意象，建立三视图（前/侧/后）与整体造型的跨视角情感映射模型。其中：

• •

  KNet解析局部形态语义特征

• •

  ResNet⁵⁰架构预测单视图情感得分

• •

  FCN实现多层级特征非线性融合

• •

  EGA采用动态变异率与精英保留策略探索最优解空间

Result analysis and discussion

结果分析与讨论

以"酷炫感"为案例验证：

1. 1.

   三视图方案在78%样本中显现显著优势（p<0.05）

2. 2.

   决策约束方案比随机生成方案感知评分提升23.6%，标准差降低41.2%

3. 3.

   消融实验证实多视角融合模型较单视图基线准确率提高19.8%

Conclusion

结论

该工作流实现四大突破：

① 首建多视角KE特征融合评价体系

② 开发生成式AI辅助的闭环设计验证

③ 通过EGA动态优化拓展设计解空间

④ 为智能座舱等场景提供可扩展框架

（注：根据要求已去除文献引用标识，专业术语保留英文缩写并规范使用^标签）