論文の概要: In-game Residential Home Planning via Visual Context-aware Global Relation Learning

• arxiv url: http://arxiv.org/abs/2102.04035v1
• Date: Mon, 8 Feb 2021 07:15:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-11 09:41:00.915007
• Title: In-game Residential Home Planning via Visual Context-aware Global Relation Learning
• Title（参考訳）: 視覚的コンテキスト認識によるグローバルリレーションラーニングによるゲーム内住宅計画
• Authors: Lijuan Liu, Yin Yang, Yi Yuan, Tianjia Shao, He Wang and Kun Zhou
• Abstract要約: シーンコンポーネント間の暗黙的グローバルな関係を学習する視覚的コンテキスト対応グラフ生成ネットワークを提案する。 自動回帰エッジ分布を学習することで、新たに追加されたビルユニットのロケーションレコメンデーションを提供する。 複合建築の3次元シーンにおいて、建築ユニットを配置することは、教育的かつ実践的である。
• 参考スコア（独自算出の注目度）: 28.281138429421546
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose an effective global relation learning algorithm to recommend an appropriate location of a building unit for in-game customization of residential home complex. Given a construction layout, we propose a visual context-aware graph generation network that learns the implicit global relations among the scene components and infers the location of a new building unit. The proposed network takes as input the scene graph and the corresponding top-view depth image. It provides the location recommendations for a newly-added building units by learning an auto-regressive edge distribution conditioned on existing scenes. We also introduce a global graph-image matching loss to enhance the awareness of essential geometry semantics of the site. Qualitative and quantitative experiments demonstrate that the recommended location well reflects the implicit spatial rules of components in the residential estates, and it is instructive and practical to locate the building units in the 3D scene of the complex construction.
• Abstract（参考訳）: 本論文では,住宅複合住宅のゲーム内カスタマイズのための建物ユニットの適切な位置を推薦する,効果的なグローバルリレーション学習アルゴリズムを提案する。 構築レイアウトを考えると、シーンコンポーネント間の暗黙的なグローバル関係を学習し、新しい建築ユニットの位置を推測する視覚的コンテキスト認識グラフ生成ネットワークを提案する。 提案するネットワークはシーングラフと対応するトップビュー深度画像とを入力として取り込む。 既存のシーンで条件付けられた自己回帰エッジ分布を学習することにより、新たに追加された建物ユニットのロケーションレコメンデーションを提供する。 また,サイトの本質的幾何学的意味論の認識を高めるために,グローバルグラフ画像マッチングロスを導入する。 質的かつ定量的な実験により, 推奨位置が住宅の構成要素の暗黙的な空間的規則を反映していることが示され, 複合建築の3次元シーンにおける建物単位の配置が指導的かつ実用的である。

関連論文リスト

• Exploiting Semantic Scene Reconstruction for Estimating Building Envelope Characteristics [6.382787013075262]
  2次元画像入力から幾何構造特性を推定する新しいフレームワークであるBuildNet3Dを提案する。 本フレームワークは, 窓面間比と建物のフットプリントの推定において, 高い精度と一般化性を示すとともに, 様々な複雑な建築物構造について評価する。
  論文  参考訳（メタデータ） (2024-10-29T13:29:01Z)
• Towards Localizing Structural Elements: Merging Geometrical Detection with Semantic Verification in RGB-D Data [0.0]
  本稿では, 壁面や地表面などの構造成分を局所化するための実時間パイプラインについて, 純三次元平面検出のための幾何計算を統合した。 並列なマルチスレッドアーキテクチャを持ち、環境中で検出されたすべての平面のポーズと方程式を正確に推定し、汎視的セグメンテーション検証を用いて地図構造を形成するものをフィルタリングし、検証された構成部品のみを保持する。 また、検出されたコンポーネントを統一された3次元シーングラフに(再)関連付けることで、幾何学的精度と意味的理解のギャップを埋めることもできる。
  論文  参考訳（メタデータ） (2024-09-10T16:28:09Z)
• Learning Local Pattern Modularization for Point Cloud Reconstruction from Unseen Classes [53.6277160912059]
  我々は、クラスに依存しない局所的な事前学習を行い、オブジェクト指向座標系で容易に一般化する。 学習した局所パターンを用いて,各領域を初期再構成した形状にモジュール化する。 本手法は,物体中心座標系における未知のクラスから高忠実度点雲を再構成することができる。
  論文  参考訳（メタデータ） (2024-08-26T13:55:42Z)
• Fine-Grained Building Function Recognition from Street-View Images via Geometry-Aware Semi-Supervised Learning [18.432786227782803]
  細粒度建物機能認識のための幾何対応半教師付きフレームワークを提案する。 半教師あり学習における擬似ラベルの精度を高めるために,マルチソースデータ間の幾何学的関係を利用する。 提案手法は, 建築物のきめ細かい機能認識において, 優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-18T12:48:48Z)
• LAW-Diffusion: Complex Scene Generation by Diffusion with Layouts [107.11267074981905]
  LAW拡散(LAW-Diffusion)と呼ばれる意味制御可能なレイアウト・AWare拡散モデルを提案する。 LAW拡散は、特にコヒーレントな対象関係を持つ最先端の生成性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-08-13T08:06:18Z)
• SGL: Structure Guidance Learning for Camera Localization [7.094881396940598]
  本稿では,SGL(Structure Guidance Bundle)と呼ばれるネットワークアーキテクチャを提案する。 本研究では、シーン予測に焦点をあて、受容分岐と構造分岐を利用して高レベル特徴と低レベル特徴の両方を抽出するSGLというネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-12T02:20:29Z)
• Distillation with Contrast is All You Need for Self-Supervised Point Cloud Representation Learning [53.90317574898643]
  本稿では,自己教師付きポイントクラウド表現学習のためのシンプルで汎用的なフレームワークを提案する。 人類が世界を理解する方法に触発されて、我々は知識蒸留を利用して、グローバルな形状情報と、グローバルな形状と局所的な構造の関係の両方を学ぶ。 本手法は,線形分類および複数の下流タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-02-09T02:51:59Z)
• Each Part Matters: Local Patterns Facilitate Cross-view Geo-localization [54.00111565818903]
  クロスビューなジオローカライゼーションは、異なるプラットフォームから同じ地理的ターゲットの画像を見つけることである。 既存の手法は通常、画像センター内の地理的ターゲットの微細な特徴をマイニングすることに集中している。 我々は、文脈情報を活用するために、ローカルパターンネットワーク(LPN)と呼ばれるシンプルで効果的なディープニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-08-26T16:06:11Z)
• 3D Shape Reconstruction from Vision and Touch [62.59044232597045]
  3次元形状再構成では、視覚と触覚の相補的な融合はほとんど未解明のままである。 本稿では,ロボットハンドと多数の3Dオブジェクトの相互作用から,触覚と視覚信号のシミュレーションデータセットを提案する。
  論文  参考訳（メタデータ） (2020-07-07T20:20:33Z)
• UCLID-Net: Single View Reconstruction in Object Space [60.046383053211215]
  三次元潜在空間を保存する幾何学的空間の構築は,オブジェクト座標空間における大域的形状規則性と局所的推論を同時に学習する上で有効であることを示す。 ベンチマーク目的でよく使用されるShapeNet合成画像と、我々のアプローチが最先端の画像より優れている実世界の画像の両方を実証する。
  論文  参考訳（メタデータ） (2020-06-06T09:15:56Z)
• Shallow2Deep: Indoor Scene Modeling by Single Image Understanding [42.87957414916607]
  本稿では,ニューラルネットワークの深い特徴を用いた屋内シーンの自動モデリング手法を提案する。 一つのRGB画像が与えられた場合,本手法は同時に意味内容,3次元幾何学,オブジェクト関係を復元する。
  論文  参考訳（メタデータ） (2020-02-22T23:27:22Z)

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。