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: 処理完了
- 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
- Towards Aligned Layout Generation via Diffusion Model with Aesthetic
Constraints [51.48125123822496]
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) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳(メタデータ) (2024-01-24T01:33:39Z) - FurniScene: A Large-scale 3D Room Dataset with Intricate Furnishing
Scenes [60.357483304833735]
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) - LayoutNUWA: Revealing the Hidden Layout Expertise of Large Language
Models [84.16541551923221]
本稿では,レイアウト生成をコード生成タスクとして扱うモデルを提案する。
3つの相互接続モジュールからなるCode Instruct Tuning (CIT) アプローチを開発した。
複数のデータセット上で、最先端のパフォーマンスを実現しています。
論文 参考訳(メタデータ) (2023-09-18T06:35:10Z) - 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 [81.5482196644596]
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。