論文の概要: Graph2Plan: Learning Floorplan Generation from Layout Graphs

• arxiv url: http://arxiv.org/abs/2004.13204v1
• Date: Mon, 27 Apr 2020 23:17:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 05:57:16.898962
• Title: Graph2Plan: Learning Floorplan Generation from Layout Graphs
• Title（参考訳）: Graph2Plan: レイアウトグラフからフロアプラン生成を学ぶ
• Authors: Ruizhen Hu, Zeyu Huang, Yuhan Tang, Oliver van Kaick, Hao Zhang, Hui Huang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.96011587272246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a learning framework for automated floorplan generation which combines generative modeling using deep neural networks and user-in-the-loop designs to enable human users to provide sparse design constraints. Such constraints are represented by a layout graph. The core component of our learning framework is a deep neural network, Graph2Plan, which converts a layout graph, along with a building boundary, into a floorplan that fulfills both the layout and boundary constraints. Given an input building boundary, we allow a user to specify room counts and other layout constraints, which are used to retrieve a set of floorplans, with their associated layout graphs, from a database. For each retrieved layout graph, along with the input boundary, Graph2Plan first generates a corresponding raster floorplan image, and then a refined set of boxes representing the rooms. Graph2Plan is trained on RPLAN, a large-scale dataset consisting of 80K annotated floorplans. The network is mainly based on convolutional processing over both the layout graph, via a graph neural network (GNN), and the input building boundary, as well as the raster floorplan images, via conventional image convolution.
• Abstract（参考訳）: 本稿では,深層ニューラルネットワークを用いた生成モデルとループ内ユーザ設計を組み合わせた自動フロアプラン生成のための学習フレームワークを提案する。 このような制約はレイアウトグラフで表される。 学習フレームワークの中核的な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ビルの境界を、レイアウトとバウンダリの両方の制約を満たすフロアプランに変換する。 入力された建物の境界が与えられた場合、ユーザはデータベースから複数のフロアプランと関連するレイアウトグラフを検索するために使用される部屋数やその他のレイアウト制約を指定できる。 検索されたレイアウトグラフごとに、入力境界とともに、Graph2Planはまず対応するラスタフロアプラン画像を生成し、次に部屋を表す洗練されたボックスセットを生成する。 Graph2Planは、80Kの注釈付きフロアプランからなる大規模なデータセットであるRPLANでトレーニングされている。 このネットワークは主に、グラフニューラルネットワーク(GNN)を介してレイアウトグラフ上の畳み込み処理と、従来の画像畳み込みによるラスタフロアプラン画像の両方に基づいている。

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)
• DiagrammerGPT: Generating Open-Domain, Open-Platform Diagrams via LLM Planning [62.51232333352754]
  テキスト・ツー・イメージ(T2I)世代はここ数年で著しい成長を遂げている。 それにもかかわらず、T2Iモデルでダイアグラムを生成する作業はほとんど行われていない。 本稿では,新しい2段階のテキスト・ツー・ダイアグラム生成フレームワークであるDiagrammerGPTを紹介する。 我々のフレームワークは、既存のT2Iモデルを上回る精度で、より正確なダイアグラムを生成する。
  論文  参考訳（メタデータ） (2023-10-18T17:37:10Z)
• 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)
• Graph-based Global Robot Localization Informing Situational Graphs with Architectural Graphs [8.514420632209811]
  建物の計画図を建築図(A-Graph)と表現するものに変換する手法を開発する。 ロボットが環境内で動き始めると、その環境について何も知らないと仮定し、その環境のオンライン状況グラフ表現(S-Graph)を推定する。 本研究では,ロボットセンサから推定したSグラフと建築計画から抽出したAグラフを関連付けるために,新しいグラフ間マッチング法を開発した。
  論文  参考訳（メタデータ） (2023-03-03T16:48:38Z)
• End-to-end Graph-constrained Vectorized Floorplan Generation with Panoptic Refinement [16.103152098205566]
  本研究では,1次元ベクトルのシーケンスとしてフロアプランを合成することを目的としている。 最初の段階では,ユーザが入力した部屋接続グラフをGCN(Graphal Network)でエンコードし,自動回帰トランスフォーマネットワークを適用して初期フロアプランを生成する。 初期設計を洗練し、より視覚的に魅力的なフロアプランを生成するために、GCNとトランスフォーマーネットワークからなる新しい汎視補正ネットワーク(PRN)を提案する。
  論文  参考訳（メタデータ） (2022-07-27T03:19:20Z)
• Room Classification on Floor Plan Graphs using Graph Neural Networks [0.0]
  本研究では,建物床図を非方向性グラフとして表現することで,建物の床図上での部屋分類作業を改善する手法を提案する。 フロアプランの部屋はグラフのノードとして表現され、エッジはマップの隣接性を表す。 その結果,グラフニューラルネットワーク,特にGraphSAGEとTopology Adaptive GCNは,それぞれ80%と81%の精度を達成できた。
  論文  参考訳（メタデータ） (2021-08-12T19:59:22Z)
• Graph-Based Generative Representation Learning of Semantically and Behaviorally Augmented Floorplans [12.488287536032747]
  本稿では,アトリビュートグラフを用いて幾何学的情報を表現するフロアプラン埋め込み手法と,ノード属性やエッジ属性として住民のセマンティクスや行動特徴をデザインする手法を提案する。 長短期記憶(LSTM)変動オートエンコーダ(VAE)アーキテクチャを提案し,連続空間に属性グラフをベクトルとして埋め込むように訓練した。 入力に対する埋め込み空間から得られた類似のフロアプランの結合度を評価するために,ユーザ調査を行った。
  論文  参考訳（メタデータ） (2020-12-08T20:51:56Z)
• Plan2Vec: Unsupervised Representation Learning by Latent Plans [106.37274654231659]
  Plan2vecは、強化学習にインスパイアされた教師なしの表現学習手法である。 Plan2vecは、近距離を用いて画像データセット上に重み付きグラフを構築し、その局所距離を、計画された経路上の経路積分を蒸留することによって、大域的な埋め込みに外挿する。 1つのシミュレーションと2つの実世界の画像データセットに対する Plan2vec の有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-07T17:52:23Z)
• House-GAN: Relational Generative Adversarial Networks for Graph-constrained House Layout Generation [59.86153321871127]
  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。
  論文  参考訳（メタデータ） (2020-03-16T03:16:12Z)
• Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
  視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。 以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。 本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:54:42Z)

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。