論文の概要: End-to-end Generative Floor-plan and Layout with Attributes and Relation Graph

• arxiv url: http://arxiv.org/abs/2012.08514v1
• Date: Tue, 15 Dec 2020 07:37:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 05:18:51.099017
• Title: End-to-end Generative Floor-plan and Layout with Attributes and Relation Graph
• Title（参考訳）: 属性と関係グラフを用いたエンドツーエンド生成フロアプランとレイアウト
• Authors: Xinhan Di, Pengqian Yu, Danfeng Yang, Hong Zhu, Changyu Sun, YinDong Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.259404056725123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose an end-end model for producing furniture layout for interior scene synthesis from the random vector. This proposed model is aimed to support professional interior designers to produce the interior decoration solutions more quickly. The proposed model combines a conditional floor-plan module of the room, a conditional graphical floor-plan module of the room and a conditional layout module. As compared with the prior work on scene synthesis, our proposed three modules enhance the ability of auto-layout generation given the dimensional category of the room. We conduct our experiments on the proposed real-world interior layout dataset that contains $191208$ designs from the professional designers. Our numerical results demonstrate that the proposed model yields higher-quality layouts in comparison with the state-of-the-art model. The dataset and code are released \href{https://github.com/CODE-SUBMIT/dataset3}{Dataset,Code}
• Abstract（参考訳）: 本稿では,ランダムなベクトルから室内シーンを合成するための家具レイアウトを生成するエンドエンドモデルを提案する。 このモデルは、プロのインテリアデザイナーがインテリアデコレーションソリューションをより迅速に作成できるよう支援することを目的としている。 提案モデルでは,室内の条件付きフロアプランモジュール,室内の条件付きグラフィカルフロアプランモジュール,および条件付きレイアウトモジュールを組み合わせる。 シーン合成に関する先行研究と比較して,提案する3つのモジュールは,部屋の次元的カテゴリから自動レイアウト生成能力を向上させる。 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。 その結果,提案モデルでは,最先端モデルと比較して高品質なレイアウトが得られた。 データセットとコードは、href{https://github.com/CODE-SUBMIT/dataset3}{Dataset,Code} でリリースされる。

関連論文リスト

• Mixed Diffusion for 3D Indoor Scene Synthesis [55.94569112629208]
  混合離散連続拡散モデルアーキテクチャであるMiDiffusionを提案する。 シーンレイアウトを2次元のフロアプランとオブジェクトの集合で表現し、それぞれがそのカテゴリ、場所、サイズ、方向で定義する。 実験により,MiDiffusionは床条件下での3次元シーン合成において,最先端の自己回帰モデルや拡散モデルよりもかなり優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-31T17:54:52Z)
• 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)
• Towards Aligned Layout Generation via Diffusion Model with Aesthetic Constraints [53.66698106829144]
  広い範囲のレイアウト生成タスクを処理する統一モデルを提案する。 このモデルは連続拡散モデルに基づいている。 実験結果から,LACEは高品質なレイアウトを生成することがわかった。
  論文  参考訳（メタデータ） (2024-02-07T11:12:41Z)
• iBARLE: imBalance-Aware Room Layout Estimation [54.819085005591894]
  ルームレイアウト推定は、1つのパノラマからレイアウトを予測する。 実際のデータセットには、レイアウトの複雑さの次元、カメラの位置、シーンの外観の変化など、大きな不均衡がある。 これらの問題に対処するために, imBalance-Aware Room Layout Estimation (iBARLE) フレームワークを提案する。 iBARLEは、(1)外観変化生成(AVG)モジュール、(2)複合構造混合(CSMix)モジュール、(3)勾配に基づくレイアウト目的関数からなる。
  論文  参考訳（メタデータ） (2023-08-29T06:20:36Z)
• ATISS: Autoregressive Transformers for Indoor Scene Synthesis [112.63708524926689]
  我々は,合成室内環境を構築するための新しい自己回帰型トランスフォーマーアーキテクチャであるATISSを紹介する。 この定式化は、ATISSが完全に自動的な部屋レイアウト合成を超えて一般的に有用になるため、より自然なものであると我々は主張する。 本モデルは,ラベル付き3Dバウンディングボックスのみを監督として,自動回帰生成モデルとしてエンドツーエンドで訓練されている。
  論文  参考訳（メタデータ） (2021-10-07T17:58:05Z)
• Multi-Agent Reinforcement Learning of 3D Furniture Layout Simulation in Indoor Graphics Scenes [3.4447129363520332]
  我々は3次元シミュレーションにおいてマルコフ決定過程(MDP)としてインテリアグラフィックシーン設計タスクを探索する。 目標は、室内グラフィックシーンの3Dシミュレーションで家具のレイアウトを作成することである。 大規模な実世界のレイアウトデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-02-18T03:20:35Z)
• 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)
• 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)
• Structural Plan of Indoor Scenes with Personalized Preferences [15.025764749987486]
  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。
  論文  参考訳（メタデータ） (2020-08-04T04:46:19Z)
• Adversarial Model for Rotated Indoor Scenes Planning [15.025764749987486]
  本研究では,室内室内を回転させた場合の家具配置の逆方向モデルを提案する。 提案モデルでは, 条件付き対数ネットワーク, 回転モジュール, モードモジュール, 回転判別器モジュールを組み合わせる。 提案モデルにより, 寝室, 浴室, 学習室, 畳室の4種類の部屋に対して, 高品質なレイアウトが得られた。
  論文  参考訳（メタデータ） (2020-06-24T07:29:07Z)
• Spatial Priming for Detecting Human-Object Interactions [89.22921959224396]
  画像中の人-物間相互作用(HOI)を検出するために,空間的レイアウト情報を利用する手法を提案する。 提案手法は,視覚モジュールを初期化して人間と物体の相互作用のタイプを予測するレイアウトモジュールから構成される。 提案したモデルでは、HICO-DetデータセットのmAPが24.79%に達し、これは現在の最先端よりも約2.8%高い。
  論文  参考訳（メタデータ） (2020-04-09T23:20:30Z)

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。