論文の概要: iPLAN: Interactive and Procedural Layout Planning

• arxiv url: http://arxiv.org/abs/2203.14412v1
• Date: Sun, 27 Mar 2022 23:21:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 15:37:08.885537
• Title: iPLAN: Interactive and Procedural Layout Planning
• Title（参考訳）: iplan:対話型および手続き型レイアウト計画
• Authors: Feixiang He, Yanlong Huang, He Wang
• Abstract要約: そこで本研究では,新しいループ生成モデルiPLANを提案する。 レイアウトを自動的に生成するだけでなく、プロセス全体を通してデザイナと対話することも可能だ。 以上の結果から,iPLANは人間設計者と同様のレイアウトを作成できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 13.172253981084403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Layout design is ubiquitous in many applications, e.g. architecture/urban planning, etc, which involves a lengthy iterative design process. Recently, deep learning has been leveraged to automatically generate layouts via image generation, showing a huge potential to free designers from laborious routines. While automatic generation can greatly boost productivity, designer input is undoubtedly crucial. An ideal AI-aided design tool should automate repetitive routines, and meanwhile accept human guidance and provide smart/proactive suggestions. However, the capability of involving humans into the loop has been largely ignored in existing methods which are mostly end-to-end approaches. To this end, we propose a new human-in-the-loop generative model, iPLAN, which is capable of automatically generating layouts, but also interacting with designers throughout the whole procedure, enabling humans and AI to co-evolve a sketchy idea gradually into the final design. iPLAN is evaluated on diverse datasets and compared with existing methods. The results show that iPLAN has high fidelity in producing similar layouts to those from human designers, great flexibility in accepting designer inputs and providing design suggestions accordingly, and strong generalizability when facing unseen design tasks and limited training data.
• Abstract（参考訳）: レイアウト設計は、アーキテクチャやアーバン計画など、長い反復的な設計プロセスを含む多くのアプリケーションでユビキタスである。 近年、画像生成によるレイアウトの自動生成にディープラーニングが活用され、デザイナーを退屈なルーチンから解放する大きな可能性を秘めている。 自動生成は生産性を大幅に向上させるが、デザイナーの入力は間違いなく重要だ。 理想的なai支援デザインツールは、反復ルーチンを自動化し、一方で人間のガイダンスを受け入れ、スマートで積極的な提案を提供する。 しかしながら、ループに人間を巻き込む能力は、主にエンドツーエンドのアプローチである既存の手法では無視されている。 そこで本研究では, レイアウトを自動生成するだけでなく, 設計者とのインタラクションを全体を通して行うことが可能で, 人間とaiが, スケッチのアイデアを徐々に最終設計に組み込むことができる新しい生成モデルiplanを提案する。 iPLANは多様なデータセットで評価され、既存の手法と比較される。 以上の結果から,iplanは,人間の設計者と類似したレイアウトの制作に高い忠実性,設計者の入力を受け付け,設計提案を提供することの柔軟性,目に見えない設計課題や限られたトレーニングデータに対して強い一般化性を有することがわかった。

関連論文リスト

• AutoFPDesigner: Automated Flight Procedure Design Based on Multi-Agent Large Language Model [12.463387707749982]
  本稿では,Au-toFPDesignerという,大規模言語モデルに基づくエージェント駆動飛行手順設計手法を提案する。 この方法は、PBN(Performance-based Navigation)手順のエンドツーエンド自動設計を可能にする。
  論文  参考訳（メタデータ） (2024-10-19T05:41:11Z)
• PosterLLaVa: Constructing a Unified Multi-modal Layout Generator with LLM [58.67882997399021]
  本研究では,グラフィックレイアウトの自動生成のための統合フレームワークを提案する。 データ駆動方式では、レイアウトを生成するために構造化テキスト(JSONフォーマット)とビジュアルインストラクションチューニングを用いる。 我々は、大規模な実験を行い、パブリックなマルチモーダルレイアウト生成ベンチマーク上で、最先端(SOTA)性能を達成した。
  論文  参考訳（メタデータ） (2024-06-05T03:05:52Z)
• Automatic Layout Planning for Visually-Rich Documents with Instruction-Following Models [81.6240188672294]
  グラフィックデザインでは、プロでないユーザは、限られたスキルとリソースのために視覚的に魅力的なレイアウトを作成するのに苦労することが多い。 レイアウト計画のための新しいマルチモーダル・インストラクション・フォロー・フレームワークを導入し、視覚的要素をカスタマイズしたレイアウトに簡単に配置できるようにする。 本手法は,非専門職の設計プロセスを単純化するだけでなく,数ショット GPT-4V モデルの性能を上回り,mIoU は Crello で 12% 向上する。
  論文  参考訳（メタデータ） (2024-04-23T17:58:33Z)
• 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)
• Geometric Deep Learning for Computer-Aided Design: A Survey [85.79012726689511]
  本調査では,コンピュータ支援設計における学習手法の概要について概観する。 類似性解析と検索、2Dおよび3DCADモデル合成、点雲からのCAD生成を含む。 ベンチマークデータセットとその特性の完全なリストと、この領域の研究を推進しているオープンソースコードを提供する。
  論文  参考訳（メタデータ） (2024-02-27T17:11:35Z)
• 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)
• DesignGPT: Multi-Agent Collaboration in Design [4.6272626111555955]
  DesignGPTは人工知能エージェントを使用して、デザイン会社におけるさまざまなポジションの役割をシミュレートし、人間のデザイナーが自然言語で協力できるようにする。 実験の結果、DesignGPTはAIツールを別々に比較すると、デザイナのパフォーマンスが向上することがわかった。
  論文  参考訳（メタデータ） (2023-11-20T08:05:52Z)
• Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
  設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。 モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。 一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
  論文  参考訳（メタデータ） (2022-04-15T20:40:43Z)
• Deep Generative Models in Engineering Design: A Review [1.933681537640272]
  本稿では,工学設計におけるDeep Generative Learningモデルのレビューと分析を行う。 最近のDGMは、構造最適化、材料設計、形状合成といった設計応用において有望な結果を示している。
  論文  参考訳（メタデータ） (2021-10-21T02:50:10Z)
• Enabling Design Methodologies and Future Trends forEdge AI: Specialization and Co-design [37.54971466190214]
  エッジAI開発スタック全体にまたがる、最新の可能な設計方法論に関する包括的な調査を提供する。 効率的なエッジAI開発のための重要な手法は、単層特殊化とクロス層共同設計である。
  論文  参考訳（メタデータ） (2021-03-25T16:29:55Z)
• Human-in-the-Loop Design Cycles -- A Process Framework that Integrates Design Sprints, Agile Processes, and Machine Learning with Humans [1.52292571922932]
  この研究は、HILL(Human-in-the-learning-loop)デザインサイクルという新しいプロセスフレームワークを提案する。 HILL Design Cyclesプロセスは、定性的なユーザテストの代わりに、設計知覚のための定量的な心理測定器を使用する。 生成されたユーザフィードバックは、マシンラーニングモデルをトレーニングし、その後の設計サイクルを4つの設計次元に沿って指示するのに役立つ。
  論文  参考訳（メタデータ） (2020-02-29T07:35:35Z)

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。