Fugu-MT 論文翻訳(概要): Structural Plan of Indoor Scenes with Personalized Preferences

論文の概要: Structural Plan of Indoor Scenes with Personalized Preferences

arxiv url: http://arxiv.org/abs/2008.01323v2
Date: Wed, 5 Aug 2020 13:30:45 GMT
ステータス: 処理完了
システム内更新日: 2022-11-02 23:38:12.504811
Title: Structural Plan of Indoor Scenes with Personalized Preferences
Title（参考訳）: パーソナライズされた室内シーンの構造計画
Authors: Xinhan Di, Pengqian Yu, Hong Zhu, Lei Cai, Qiuyan Sheng, Changyu Sun
Abstract要約: 提案モデルでは,不動産所有者の好みに応じて,特定の屋内シーンのオブジェクトのレイアウトを自動的に生成することができる。プロのデザイナーによるリアルな11000のデザインを含むインテリアレイアウトデータセットを提供する。
参考スコア（独自算出の注目度）: 15.025764749987486
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose an assistive model that supports professional interior designers to produce industrial interior decoration solutions and to meet the personalized preferences of the property owners. The proposed model is able to automatically produce the layout of objects of a particular indoor scene according to property owners' preferences. In particular, the model consists of the extraction of abstract graph, conditional graph generation, and conditional scene instantiation. We provide an interior layout dataset that contains real-world 11000 designs from professional designers. Our numerical results on the dataset demonstrate the effectiveness of the proposed model compared with the state-of-art methods.
Abstract（参考訳）: 本稿では,プロのインテリアデザイナーが工業用インテリアデコレーションソリューションを作成し,資産所有者のパーソナライズされた好みを満たすための支援モデルを提案する。提案モデルは,プロパティ所有者の好みに応じて,特定の屋内シーンのオブジェクトのレイアウトを自動的に生成することができる。特に、このモデルは抽象グラフの抽出、条件グラフの生成、条件シーンのインスタンス化から構成される。プロのデザイナーによるリアルな11000のデザインを含むインテリアレイアウトデータセットを提供する。本データを用いた数値実験の結果から,提案モデルの有効性を最先端手法と比較した。

関連論文リスト

RoomDiffusion: A Specialized Diffusion Model in the Interior Design Industry [18.752126170209458]
RoomDiffusionは、インテリアデザイン業界向けに丁寧に調整された、先駆的な拡散モデルである。データパイプライン全体をスクラッチから構築し、反復モデル最適化のためのデータを更新し、評価します。 20人以上の専門家による総合的人間評価プロトコルを通じて、RoomDiffusionは美学、正確性、効率性の観点から業界をリードする性能を実証する。
論文参考訳（メタデータ） (2024-09-05T02:41:18Z)
PosterLLaVa: Constructing a Unified Multi-modal Layout Generator with LLM [58.67882997399021]
本研究では,グラフィックレイアウトの自動生成のための統合フレームワークを提案する。データ駆動方式では、レイアウトを生成するために構造化テキスト(JSONフォーマット)とビジュアルインストラクションチューニングを用いる。我々は、大規模な実験を行い、パブリックなマルチモーダルレイアウト生成ベンチマーク上で、最先端(SOTA)性能を達成した。
論文参考訳（メタデータ） (2024-06-05T03:05:52Z)
Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文参考訳（メタデータ） (2024-05-28T11:30:19Z)
I-Design: Personalized LLM Interior Designer [57.00412237555167]
I-Designはパーソナライズされたインテリアデザイナで、自然言語によるコミュニケーションを通じて設計目標の生成と視覚化を可能にする。 I-Designは、対話や論理的推論に従事する大きな言語モデルエージェントのチームから始まる。最終的な設計は、既存のオブジェクトデータベースから資産を取り出し、統合することで、3Dで構築されます。
論文参考訳（メタデータ） (2024-04-03T16:17:53Z)
Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文参考訳（メタデータ） (2024-03-20T00:41:12Z)
LayoutDETR: Detection Transformer Is a Good Multimodal Layout Designer [80.61492265221817]
グラフィックレイアウトデザインは視覚コミュニケーションにおいて重要な役割を担っている。しかし、手作りのレイアウトデザインは、スキルを要求し、時間がかかり、バッチプロダクションではスケールできない。ジェネレーティブモデルは、設計自動化をスケーラブルにするために出現するが、デザイナの欲求に沿うデザインを作成することは、未だに容易ではない。
論文参考訳（メタデータ） (2022-12-19T21:57:35Z)
Improving Label Quality by Jointly Modeling Items and Annotators [68.8204255655161]
雑音アノテータから基底真理ラベルを学習するための完全ベイズ的枠組みを提案する。我々のフレームワークは、ラベル分布上の生成的ベイズソフトクラスタリングモデルを古典的なDavidとSkeneのジョイントアノテータデータモデルに分解することでスケーラビリティを保証する。
論文参考訳（メタデータ） (2021-06-20T02:15:20Z)
Deep Reinforcement Learning for Producing Furniture Layout in Indoor Scenes [3.4447129363520332]
工業用インテリアデザインのプロセスでは、プロのデザイナーが部屋の家具のサイズと位置を計画し、販売に適したデザインを実現する。深層強化学習によって解決されるマルコフ決定プロセス(MDP)として、インテリアシーン設計タスクを探索します。本研究では,提案モデルが最新モデルと比較して高い品質のレイアウトが得られることを実証した。
論文参考訳（メタデータ） (2021-01-19T04:38:58Z)
End-to-end Generative Floor-plan and Layout with Attributes and Relation Graph [6.259404056725123]
インテリアシーン合成のための家具レイアウトをランダムベクターから作成するためのエンドエンドモデルを提案する。提案モデルは部屋の条件付きフロアプランモジュールと部屋の条件付きグラフィカルフロアプランモジュールと条件付きレイアウトモジュールを組み合わせたものである。我々は,プロのデザイナーによる191208ドルのデザインを含む,現実世界のレイアウトデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-12-15T07:37:05Z)
Deep Layout of Custom-size Furniture through Multiple-domain Learning [6.259404056725123]
提案されたモデルは,ディープレイアウトモジュール,ドメイン注意モジュール,次元ドメイン転送モジュール,エンドエンドトレーニングにおけるカスタムサイズのモジュールを組み合わせたものだ。私たちは、プロのデザイナーによる7万10700ドルのデザインを含む、現実世界の内部レイアウトデータセットで実験を行います。
論文参考訳（メタデータ） (2020-12-15T07:32:13Z)

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。