本类型赛题聚焦飞桨项目本身的功能与算法实现，选手选择下列题目中的一个，进行方案设计并最终实现，最后提交到对应的AtomGit代码仓库中，经过研发导师验收后可获得奖金。

1 赛题一：使用AIGC来进行数据扩充，提升模型在ImageNet上的精度

1.1 提交仓库

https://atomgit.com/paddlepaddle/PaddleClas

1.2 预估难度

★★★★

1.3 基本描述

现阶段Stable Diffusion等大模型已经可以生成比较逼真的数据，目前学术界已经有部分研究者使用大模型生成数据来扩充训练数据提升模型的精度。本赛题主要内容是使用Stable Diffusion等大模型，扩充ImageNet数据，提升模型精度。

1.4 参考资源

（1）训练代码

https://github.com/PaddlePaddle/PaddleClas

（2）参考论文

https://arxiv.org/pdf/2302.02070.pdf

https://arxiv.org/pdf/2304.08466.pdf（参考table3）

1.5 验收标准

1.5.1 通过合成数据和真实数据的使用，使得最终以下两个模型达到相应的精度

（1）Resnet50分类精度： 76.5% -> 78.5%。

（2）SwinTransform-Tiny分类精度：81.2% -> 82.2%。

1.5.2 注：不能更改默认的训练策略。

1.5.3 数据集集成到PaddleClas中。

1.5.4 本赛题为精度优先赛题目，在代码提交截止日期，对提交的作品进行精度排名。精度最高的为一等奖，其次为二等奖、三等奖。

1.5.5 提交作品要求在两个模型上精度都达标，一般说来，数据对模型的精度提升效果一致，即在一个模型上精度高另一个模型精度也高，如果出现差异以SwinTransformer模型的更高精度排名。

1.6 提交内容

（1）生成数据的代码、文档。

（2）训练模型的log文件。

（3）提交代码到PaddleClas仓库。

1.7 奖金

一等奖：3万元（1个）

二等奖：2万元（1个）

三等奖：1万元（1个）

2 赛题二：使用AIGC来进行数据扩充，提升模型在COCO上的精度

2.1 提交仓库

https://atomgit.com/paddlepaddle/PaddleClas

2.2 预估难度

★★★★

2.3 基本描述

现阶段Stable Diffusion等大模型已经可以生成比较逼真的数据，目前学术界已经有部分研究者使用大模型生成数据来扩充训练数据提升模型的精度。本赛题主要内容是使用Stable Diffusion等大模型，扩充COCO数据，提升模型精度。

2.4 参考资源

（1）训练代码

https://github.com/PaddlePaddle/PaddleClas

（2）参考代码

https://github.com/IDEA-Research/Grounded-Segment-Anything

2.5 验收标准

2.5.1 通过合成数据和真实数据的使用，使得最终以下模型达到相应的精度。

PicoDet-L分类精度：42.6% -> 44.6%

2.5.2 注：不能更改默认的训练策略。

2.5.3 数据集集成到PaddleClas中。

2.5.4 本赛题为精度优先赛题目，在代码提交截止日期，对提交的作品进行精度排名。精度最高的为一等奖，其次为二等奖、三等奖。

2.6 提交内容

（1）生成数据的代码、文档。

（2）训练模型的log文件。

（3）提交代码到PaddleClas仓库。

2.7 奖金

一等奖：3万元（1个）

二等奖：2万元（1个）

三等奖：1万元（1个）

3 赛题三：SSLD蒸馏Teacher离线化

3.1 提交仓库

https://atomgit.com/paddlepaddle/PaddleClas

3.2 预估难度

★★★

3.3 基本描述

PaddleClas提供了一种简单高效的SSLD蒸馏方案，可以大幅度提升模型的精度。但是蒸馏过程中，每张图片均需要经过教师模型，导致整体训练时间比较久。本赛题主要内容是将PaddleClas中的SSLD蒸馏Teacher离线化，即教师模型将数据的预测标签进行存储，学生模型用来学习离线的教师模型的输出。最终SSLD蒸馏Teacher离线化的精度和标准SSLD精度打平，训练速度快1倍。

3.4 参考资源

训练代码：https://github.com/PaddlePaddle/PaddleClas

3.5 验收标准

3.5.1 PP-LCNet_x1_0使用离线Teacher蒸馏后，和在线Teacher蒸馏后精度持平（ImageNet-1k， Teacher为ResNet50vd ssld，最终精度73.4%）。

3.5.2 训练速度快一倍以上。

3.5.3 代码简洁且集成到PaddleClas中。

3.5.4 本赛题为训练速度优先赛题目，在代码提交截止日期，对提交的作品进行训练速度排名。训练速度最快的为一等奖，其次为二等奖、三等奖。

3.6 提交内容

（1）完整的代码、文档。

（2）训练模型的log文件。

（3）提交代码到PaddleClas仓库。

3.7 奖金

一等奖：3万元（1个）

二等奖：2万元（1个）

三等奖：1万元（1个）

4 赛题四：复现人脸控制论文 DiffusionRig

4.1 提交仓库

https://atomgit.com/paddlepaddle/PaddleMIX

4.2 预估难度

★★★★

4.3 基本描述

Paddle目前已提供Diffusion相关能力，DiffusionRig在身份保留和照片逼真度方面优于现有方法，可以进一步丰富Paddle Diffusion应用扩展。

4.4 参考资源

（1）论文链接

https://arxiv.org/pdf/2304.06711.pdf

（2）参考代码实现

https://github.com/adobe-research/diffusion-rig

4.5 验收标准

4.5.1 达到论文Tabel2宣称精度标准：（提供测试结果及测试验证命令）。

4.5.2 以及不少于10张测试图片的对比效果。

4.5.3 复现算法合入PaddleMIX。

4.5.4 本赛题为提交速度优先赛题目，最先提交的满足要求的代码为一等奖，其次为二等奖、三等奖。

4.6 提交内容

（1）Paddle代码和使用文档。

（2）Paddle和torch对齐训练日志。

（3）最终模型及训练、测试验证命令，并提交代码到PaddleMix。

4.7 奖金

一等奖：3万元（1个）

二等奖：2万元（1个）

三等奖：1万元（1个）

5 赛题五：复现图像编辑论文Null-text Inversion

5.1 提交仓库

https://atomgit.com/paddlepaddle/PaddleMIX

5.2 预估难度

★★★★

5.3 基本描述

图像编辑在AIGC领域有着非常重要的应用价值，如何高效率高质量的实现图像编辑成为了当前技术难点之一。

本文基于prompt-to-prompt的方式实现了高保真的图像编辑能力。

5.4 参考资源

（1）论文链接

https://arxiv.org/pdf/2211.09794.pdf

（2）参考代码实现

https://github.com/google/prompt-to-prompt/#null-text-inversion-for-editing-real-images

5.5 验收标准

5.5.1 图像编辑类没有ground truth标准，我们采用人工评价一批图片的方式，复现模型与原repo生成效果进行对比，无明显差异。

5.5.2 复现算法合入PaddleMIX。

5.5.3 本赛题为提交速度优先赛题目，最先提交的满足要求的代码为一等奖，其次为二等奖、三等奖。

5.6 提交内容

（1）Paddle代码和使用文档。

（2）Paddle和torch对齐训练日志。

（3）最终模型及验证命令，并提交代码到PaddleMix。

5.7 奖金

一等奖：3万元（1个）

二等奖：2万元（1个）

三等奖：1万元（1个）

6 赛题六：基于PINN的CFD离散网格优化

6.1 提交仓库

https://atomgit.com/paddlepaddle/PaddleScience

6.2 预估难度

★★★★★★

6.3 基本描述

计算流体力学（CFD）是21世纪流体力学领域的重要技术之一，使用数值方法在计算机中对流体力学的控制方程进行求解，从而可预测流场的流动。目前有多种成熟的CFD软件，比如FLUENT、Star-CD、OpenFoam、CFX等。为了求解流体力学的控制方程，一个必要的前提是有适合数值方法的离散网格。生成离散网格的软件也有多种，比如ICEM、GAMBIT、ANSYS、Star-CD等。离散网格的质量（Quality）是影响CFD求解的关键因素。但是在传统的CFD流程中，离散网格的生成仅有一些指导经验。为了生成一个高质量的离散网格，往往需要对CFD求解结果进行网格敏感性分析（Mesh Sensitiviy Study）。这是一个耗时且无法跳过的过程。

近年来基于物理信息约束神经元网络（PINN）的方法在流体力学领域较为流行。PINN的特色是在神经元网络的损失函数（Loss Function）里包含流体力学的控制方程，使得神经元网络可以代替CFD的求解过程。对比CFD软件，PINN的求解速度较快，一部分是因为PINN对CFD流程的简化，另一部分是因为PINN的计算是在GPU上进行。但是，目前PINN求解精度还有待提高。

本课题的目的是基于PINN进行CFD离散网格优化，即并不采用PINN代替高精度的CFD求解器，而是用PINN的求解速度快以及其具备一定的求解精度的特点，加快寻找最优的离散网格，从而缩短整体CFD流程的速度。本质上，本课题是为了验证一个假说，即高质量的离散网格，也对应相对高精度的PINN。

6.4 具体来讲，分为两个阶段任务

6.4.1 阶段任务一

（1）给定一个初始网格文件（.msh文件），可以提取网格点的坐标，导入PINN中进行流场求解和损失函数计算。

（2）根据计算得到的损失函数，自动实现网格点的新增或删减。

（3）重复1-2过程，直到损失函数最小，即表示网格是最优的。

6.4.2 阶段任务二

（1）任选一款CFD软件，进行网格敏感性分析，验证阶段任务一找到的最优网格。

（2）本课题对CFD行业有较高价值，如果能实现，未来可以推广到整个CFD行业。因此本课题所选的网格文件需要有一定行业代表性，至少包括3类场景：汽车气动外型设计（选取一款车型即可）；机翼气动外型设计（选取1-2款NACA系列机翼轮廓）；室内气流结构（选取一个常见居民房间）。初始网格文件由出题方提供。

6.4 参考资源

[1] Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational physics, 378, 686-707.

[2] Chen, X., Liu, J., Yan, J., Wang, Z., & Gong, C. (2022). An Improved Structured Mesh Generation Method Based on Physics-informed Neural Networks. arXiv preprint arXiv:2210.09546

6.5 验收标准

6.5.1 可形成读取.msh文件的API并最终集成到PaddleScience中。

6.5.2 API能够对.msh文件中的坐标信息识别为训练集，可以在PaddleScience中独立验证训练集，可通过matplotlib等可视化工具显示。

6.5.3 API需要结合PaddleScience中的边界条件、LOSS定义等构建完整的PINN模型，能够基于loss函数值对训练集的自适应调整密度（局部稀疏、加密），可输出自适应调整后的可视化结果。

6.5.4 针对API对训练集的自适应调整，需要基于PaddleScience给出与不进行调节的结果对比，证明自适应对于精度提升、计算效率提升有效（前提：PaddleScience得到与CFD工具相同的结果）。

6.5.5 结合CFD工具验证自适应网格是最优的，给出CFD工具网格敏感度分析结果与自适应结果的对比情况。

6.5.6 提交作品根据专家评审意见区分一二三等奖。

6.7 提交内容

（1）自适应读取.msh文件并进行训练集自适应调节的python源代码。

（2）代码集成到PaddleScience，形成API。

（3）API功能验证的demo源代码以及训练过程log文件。

（4）对应PaddleScience中完整验证过程的notebook（基于AIStudio）项目脚本。

6.8 奖金

一等奖：10万元（1个）

二等奖：7万元（1个）

三等奖：3万元（1个）

6.9 其他奖励

共建方百度在线网络技术（北京）有限公司为本次大赛一等奖团队成员提供百度飞桨团队的实习/内推机会，有意向的参赛选手请发简历到 ext_paddle_oss@baidu.com。

1 原则上所有获奖作品需要开源，如有特殊情况需经终审评审专家集体决策同意可部分开源；

2 大赛最终解释权归开放原子开源基金会及共建方所有；

3 开放原子开源大赛监督联系人：张哲，邮箱：zhangzhe@openatom.org，电话：010-59258678转8010。