論文の概要: Roof-GAN: Learning to Generate Roof Geometry and Relations for Residential Houses

• arxiv url: http://arxiv.org/abs/2012.09340v1
• Date: Thu, 17 Dec 2020 00:47:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 07:29:25.810064
• Title: Roof-GAN: Learning to Generate Roof Geometry and Relations for Residential Houses
• Title（参考訳）: ルーフGAN:住宅用ルーフ形状と関係性の学習
• Authors: Yiming Qian, Hao Zhang, Yasutaka Furukawa
• Abstract要約: Roof-GANは、住宅用屋根構造の構造的幾何を屋根原始体の集合として生成する、新しい生成的敵ネットワークである。 ジェネレータは、グラフとして構造化された屋根モデルを生成し、1)各ノードの画像としてのプリミティブジオメトリ、2)各エッジのプリミティブコリナー/コプラナー関係、および3)各ノードのベクトル形式のプリミティブジオメトリからなる。 判別器は、プリミティブな幾何学、プリミティブな関係、および完全にエンドツーエンドのアーキテクチャにおけるプリミティブなベクトル幾何学を評価するために訓練される。
• 参考スコア（独自算出の注目度）: 37.6686237027665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents Roof-GAN, a novel generative adversarial network that generates structured geometry of residential roof structures as a set of roof primitives and their relationships. Given the number of primitives, the generator produces a structured roof model as a graph, which consists of 1) primitive geometry as raster images at each node, encoding facet segmentation and angles; 2) inter-primitive colinear/coplanar relationships at each edge; and 3) primitive geometry in a vector format at each node, generated by a novel differentiable vectorizer while enforcing the relationships. The discriminator is trained to assess the primitive raster geometry, the primitive relationships, and the primitive vector geometry in a fully end-to-end architecture. Qualitative and quantitative evaluations demonstrate the effectiveness of our approach in generating diverse and realistic roof models over the competing methods with a novel metric proposed in this paper for the task of structured geometry generation. We will share our code and data.
• Abstract（参考訳）: 本稿では, 住宅用屋根構造の構造的幾何を屋根プリミティブの集合として生成する, 新規な対向ネットワークであるRoof-GANについて述べる。 プリミティブの数を仮定すると、ジェネレータは、1)各ノードのラスター画像としてのプリミティブ幾何からなり、ファセットセグメンテーションと角度をエンコードするグラフ、2)各エッジにおけるプリミティブコリニア/コプランナ関係、3)新しい微分可能ベクトル化器によって生成された各ノードのベクトル形式におけるプリミティブ幾何からなる構造化屋根モデルを生成する。 判別器は、完全なエンドツーエンドアーキテクチャで原始ラスタ幾何学、原始関係、原始ベクトル幾何学を評価するために訓練される。 定量的・質的評価は, 構造幾何生成の課題として提案する新しい指標を用いて, 競合する手法よりも多様で現実的な屋根モデルを生成する手法の有効性を示す。 私たちはコードとデータを共有します。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• Advancing Architectural Floorplan Design with Geometry-enhanced Graph Diffusion [3.78198085695976]
  本稿では,GSDiffと呼ばれる構造グラフ生成によるベクトル設計のための新しい生成フレームワークを提案する。 壁面接合生成において,幾何整合性を改善する新しいアライメント損失関数を提案する。 壁面セグメント予測では, 全体幾何学構造に対するモデルの知覚を高めるために, ランダムな自己超越法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T04:40:31Z)
• Representation Learning of Geometric Trees [9.280083998326285]
  幾何学木に適した表現学習フレームワークを提案する。 最初はユニークなメッセージパッシングニューラルネットワークを備えており、これは幾何的構造を復元可能であり、回転変換不変である。 提案手法の有効性を実世界の8つのデータセットで検証し,幾何学木を表現できることを実証した。
  論文  参考訳（メタデータ） (2024-08-16T15:16:35Z)
• (Deep) Generative Geodesics [57.635187092922976]
  2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。 我々の計量は、生成距離と生成測地学の概念的定義に繋がる。 彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
  論文  参考訳（メタデータ） (2024-07-15T21:14:02Z)
• A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [67.33002207179923]
  本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。 幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
  論文  参考訳（メタデータ） (2024-03-01T12:13:04Z)
• Exploring Data Geometry for Continual Learning [64.4358878435983]
  非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。 提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。 実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-04-08T06:35:25Z)
• Plane Geometry Diagram Parsing [29.921409628478152]
  深層学習とグラフ推論に基づく強力な図式を提案する。 幾何学的プリミティブを抽出する修正インスタンスセグメンテーション法を提案する。 グラフニューラルネットワーク(GNN)を利用して、関係解析と原始分類を実現する。
  論文  参考訳（メタデータ） (2022-05-19T07:47:01Z)
• HEAT: Holistic Edge Attention Transformer for Structured Reconstruction [36.910604284201355]
  本稿では,構造化再構成のための新しいアテンションベースニューラルネットワークを提案する。 入力として2次元画像を取得し、下層の幾何学的構造を表す平面グラフを再構成する。 このアプローチはコーナーを検出し、コーナー間のエッジ候補をエンドツーエンドで分類する。
  論文  参考訳（メタデータ） (2021-11-30T06:01:11Z)
• Learning from Protein Structure with Geometric Vector Perceptrons [6.5360079597553025]
  幾何学的ベクトルパーセプトロンを導入し、標準密度層を拡張してユークリッドベクトルの集合を演算する。 本稿では,タンパク質構造から学習する際の2つの重要な問題として,モデル品質評価と計算タンパク質設計について述べる。
  論文  参考訳（メタデータ） (2020-09-03T01:54:25Z)
• DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape Generation [98.96086261213578]
  DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。 これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。 本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
  論文  参考訳（メタデータ） (2020-08-12T17:06:51Z)

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。