論文の概要: Deep Reinforcement Learning for Producing Furniture Layout in Indoor Scenes

• arxiv url: http://arxiv.org/abs/2101.07462v1
• Date: Tue, 19 Jan 2021 04:38:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-03-22 11:21:30.252999
• Title: Deep Reinforcement Learning for Producing Furniture Layout in Indoor Scenes
• Title（参考訳）: 室内シーンにおける家具レイアウト作成のための深層補強学習
• Authors: Xinhan Di, Pengqian Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.4447129363520332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the industrial interior design process, professional designers plan the size and position of furniture in a room to achieve a satisfactory design for selling. In this paper, we explore the interior scene design task as a Markov decision process (MDP), which is solved by deep reinforcement learning. The goal is to produce an accurate position and size of the furniture simultaneously for the indoor layout task. In particular, we first formulate the furniture layout task as a MDP problem by defining the state, action, and reward function. We then design the simulated environment and train reinforcement learning agents to produce the optimal layout for the MDP formulation. We conduct our experiments on a large-scale real-world interior layout dataset that contains industrial designs from professional designers. Our numerical results demonstrate that the proposed model yields higher-quality layouts as compared with the state-of-art model. The developed simulator and codes are available at \url{https://github.com/CODE-SUBMIT/simulator1}.
• Abstract（参考訳）: 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。 本稿では,内部シーン設計タスクをマルコフ決定プロセス(mdp)として検討し,深層強化学習によって解決する。 その目的は、室内レイアウトタスクのために家具の正確な位置と大きさを同時に作成することである。 特に, 家具配置タスクを, 状態, 動作, 報酬関数を定義することで, MDP問題として定式化する。 次にシミュレーション環境を設計,強化学習エージェントを訓練し,mdp定式化のための最適なレイアウトを作成する。 我々は、プロのデザイナーによる工業デザインを含む大規模な現実世界の内部レイアウトデータセットで実験を行った。 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。 開発されたシミュレータとコードは \url{https://github.com/CODE-SUBMIT/simulator1} で入手できる。

関連論文リスト

• FlairGPT: Repurposing LLMs for Interior Designs [26.07841568311428]
  大規模言語モデル (LLM) が内部設計に直接活用できるかどうかを検討する。 LLMを体系的に探索することにより、関連する制約とともにオブジェクトのリストを確実に生成できる。 この情報を設計レイアウトグラフに変換し、オフザシェルフ制約最適化設定を用いて解決する。
  論文  参考訳（メタデータ） (2025-01-08T18:01:49Z)
• LLplace: The 3D Indoor Scene Layout Generation and Editing via Large Language Model [58.24851949945434]
  LLplace は軽量な微調整のオープンソース LLM Llama3 に基づく新しい3D屋内シーンレイアウトデザイナである。 LLplaceは、空間的関係の先行とコンテキスト内例の必要性を回避し、効率的で信頼性の高い部屋レイアウト生成を可能にする。 提案手法は,高品質な3D設計ソリューションを実現する上で,LLplaceがインタラクティブに3D屋内レイアウトを効果的に生成・編集できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T08:53:01Z)
• 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)
• FurniScene: A Large-scale 3D Room Dataset with Intricate Furnishing Scenes [57.47534091528937]
  FurniSceneは、インテリアデザインの専門家による複雑な家具シーンを備えた大規模な3Dルームデータセットである。 具体的には、FurniSceneは11,698の部屋と、89種類のユニークな家具CADモデル39,691種類で構成されている。 室内環境のきめ細かいレイアウト生成に適した2段階拡散シーンモデル(TSDSM)を提案する。
  論文  参考訳（メタデータ） (2024-01-07T12:34:45Z)
• 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)
• 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)
• Hierarchical Reinforcement Learning for Furniture Layout in Virtual Indoor Scenes [2.2481284426718533]
  本稿では,仮想現実におけるマルコフ決定プロセス(MDP)としての家具レイアウトタスクについて検討する。 目標は、屋内シーンのバーチャルリアリティーにおける適切な2家具レイアウトを作ることだ。
  論文  参考訳（メタデータ） (2022-10-19T09:58:10Z)
• 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)
• 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)
• 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)

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。