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

• Composition-aware Graphic Layout GAN for Visual-textual Presentation Designs [24.29890251913182]
  与えられた画像に対して高品質な視覚テキスト提示設計を行う際のグラフィックレイアウト生成問題について検討する。 入力画像のグローバルおよび空間的視覚的内容に基づいてレイアウトを合成するために,合成対応グラフィックレイアウトGAN (CGL-GAN) と呼ばれる深層生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-30T16:42:13Z)
• 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)
• Learning Models as Functionals of Signed-Distance Fields for Manipulation Planning [51.74463056899926]
  本研究では,シーン内のオブジェクトを表す符号付き距離場の目的を学習する,最適化に基づく操作計画フレームワークを提案する。 オブジェクトを符号付き距離場として表現することは、ポイントクラウドや占有率の表現よりも高い精度で、様々なモデルの学習と表現を可能にする。
  論文  参考訳（メタデータ） (2021-10-02T12:36:58Z)
• AIRCHITECT: Learning Custom Architecture Design and Mapping Space [2.498907460918493]
  我々は機械学習モデルをトレーニングし、カスタムアーキテクチャの設計とマッピング空間の最適パラメータを予測する。 最適設計およびマッピングパラメータの予測を「一般化」するために,設計空間を捕捉し,モデルを訓練することは可能であることを示す。 私たちはAIRCHITECTと呼ばれるカスタムネットワークアーキテクチャをトレーニングし、94.3%のテスト精度でアーキテクチャ設計空間を学習することができる。
  論文  参考訳（メタデータ） (2021-08-16T05:05:52Z)
• Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
  時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。 本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
  論文  参考訳（メタデータ） (2021-06-14T04:31:15Z)
• A Design Space Study for LISTA and Beyond [79.76740811464597]
  近年では、反復アルゴリズムの展開による問題固有のディープネットワーク構築に大きな成功を収めている。 本稿では,深層ネットワークにおける設計アプローチとしてのアンローリングの役割について再考する。 スパースリカバリのためのlistaを代表例として,未ロールモデルに対する設計空間調査を初めて実施した。
  論文  参考訳（メタデータ） (2021-04-08T23:01:52Z)
• LED2-Net: Monocular 360 Layout Estimation via Differentiable Depth Rendering [59.63979143021241]
  パノラマの地平線上での深度予測問題として360度レイアウト推定のタスクを定式化する。 レイアウトから深度予測への変換を区別できるように、差分可能な深度レンダリング手順を提案します。 提案手法は,360 レイアウトのベンチマークデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-04-01T15:48:41Z)
• 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)
• Supervised Training of Dense Object Nets using Optimal Descriptors for Industrial Robotic Applications [57.87136703404356]
  Florence、Manuelli、TedrakeによるDense Object Nets(DON)は、ロボットコミュニティのための新しいビジュアルオブジェクト表現として高密度オブジェクト記述子を導入した。 本稿では, 物体の3次元モデルを考えると, 記述子空間画像を生成することができ, DON の教師付きトレーニングが可能であることを示す。 産業用物体の6次元グリップ生成のためのトレーニング手法を比較し,新しい教師付きトレーニング手法により,産業関連タスクのピック・アンド・プレイス性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-02-16T11:40:12Z)
• 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。

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。