論文の概要: House-GAN: Relational Generative Adversarial Networks for
Graph-constrained House Layout Generation
- arxiv url: http://arxiv.org/abs/2003.06988v1
- Date: Mon, 16 Mar 2020 03:16:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 03:24:29.112475
- Title: House-GAN: Relational Generative Adversarial Networks for
Graph-constrained House Layout Generation
- Title(参考訳): house-gan: graph-constrained house layout生成のための関係生成型逆ネットワーク
- Authors: Nelson Nauata, Kai-Hung Chang, Chin-Yi Cheng, Greg Mori, Yasutaka
Furukawa
- Abstract要約: 主な考え方は、制約をリレーショナルネットワークのグラフ構造にエンコードすることである。
我々は、新しい住宅レイアウト生成問題に対する提案されたアーキテクチャを実証した。
- 参考スコア(独自算出の注目度): 59.86153321871127
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a novel graph-constrained generative adversarial network,
whose generator and discriminator are built upon relational architecture. The
main idea is to encode the constraint into the graph structure of its
relational networks. We have demonstrated the proposed architecture for a new
house layout generation problem, whose task is to take an architectural
constraint as a graph (i.e., the number and types of rooms with their spatial
adjacency) and produce a set of axis-aligned bounding boxes of rooms. We
measure the quality of generated house layouts with the three metrics: the
realism, the diversity, and the compatibility with the input graph constraint.
Our qualitative and quantitative evaluations over 117,000 real floorplan images
demonstrate that the proposed approach outperforms existing methods and
baselines. We will publicly share all our code and data.
- Abstract(参考訳): 本稿では,リレーショナルアーキテクチャ上にジェネレータとディスクリミネータを組み込んだ,グラフ制約付き生成逆数ネットワークを提案する。
主なアイデアは、制約をその関係ネットワークのグラフ構造にエンコードすることである。
提案手法は,建築上の制約をグラフとして(空間に隣接した部屋の数と種類を)取り込んで,軸に並ぶ一連の部屋のバウンディングボックスを作成するという新しい住宅レイアウト生成問題に対して提案するアーキテクチャを実証した。
生成した住宅レイアウトの質を,リアル性,多様性,入力グラフの制約との整合性という3つの指標で測定する。
117,000以上の実床計画画像の質的定量的評価は,提案手法が既存手法やベースラインを上回っていることを示している。
すべてのコードとデータを公開します。
関連論文リスト
- Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-15T14:36:38Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳(メタデータ) (2023-03-14T20:35:45Z) - Iterative Scene Graph Generation [55.893695946885174]
シーングラフ生成は、オブジェクトエンティティとその対応する相互作用述語を所定の画像(またはビデオ)で識別する。
シーングラフ生成への既存のアプローチは、推定イテレーションの実現を可能にするために、関節分布の特定の因子化を前提としている。
本稿では,この制限に対処する新しいフレームワークを提案するとともに,画像に動的条件付けを導入する。
論文 参考訳(メタデータ) (2022-07-27T10:37:29Z) - Structured Graph Variational Autoencoders for Indoor Furniture layout
Generation [7.035614458419328]
室内3Dシーンのレイアウトを生成するための構造化グラフ変分オートエンコーダを提案する。
このアーキテクチャは、入力グラフを構造化潜在空間にマッピングするグラフエンコーダと、家具グラフを生成するグラフデコーダから構成される。
3D-FRONTデータセットを用いた実験により,本手法は多様で室内レイアウトに適応したシーンを生成する。
論文 参考訳(メタデータ) (2022-04-11T04:58:26Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z) - Building-GAN: Graph-Conditioned Architectural Volumetric Design
Generation [10.024367148266721]
本稿では,入力プログラムグラフに基づくボリュームデザイン生成について述べる。
密度の高い3次元ボクセルを出力する代わりに、ジオメトリを構築するためにコンパクトかつ表現性の高い新しい3次元表現であるボクセルグラフを提案する。
私たちのジェネレータは、入力プログラムグラフと出力ボキセルグラフを接続するためのポインタメカニズムを使用するクロスモーダルグラフニューラルネットワークであり、パイプライン全体が逆のフレームワークを使用して訓練されます。
論文 参考訳(メタデータ) (2021-04-27T16:49:34Z) - Graph2Plan: Learning Floorplan Generation from Layout Graphs [22.96011587272246]
本稿では,ディープニューラルネットワークとユーザ・イン・ザ・ループ設計を用いたフロアプランの自動生成のための学習フレームワークを提案する。
学習フレームワークの中核となるコンポーネントはディープニューラルネットワークであるGraph2Planで、レイアウトグラフと建物の境界をフロアプランに変換する。
論文 参考訳(メタデータ) (2020-04-27T23:17:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。