Fugu-MT 論文翻訳(概要): Generating Diverse Indoor Furniture Arrangements

論文の概要: Generating Diverse Indoor Furniture Arrangements

arxiv url: http://arxiv.org/abs/2206.10608v1
Date: Mon, 20 Jun 2022 08:15:50 GMT
ステータス: 処理完了
システム内更新日: 2022-06-25 13:20:37.827859
Title: Generating Diverse Indoor Furniture Arrangements
Title（参考訳）: 異種室内家具の配置生成
Authors: Ya-Chuan Hsu, Matthew C. Fontaine, Sam Earle, Maria Edwards, Julian Togelius, Stefanos Nikolaidis
Abstract要約: 我々は,人間設計レイアウト上でGAN(Generative Adversarial Network)を訓練する。我々は,品質多様性アルゴリズムを用いてGANの潜伏空間を最適化し,多様なアレンジメントコレクションを生成する。実験により, 設計したレイアウトに類似しているが, 価格や家具の部品数によって異なる配置が発見された。
参考スコア（独自算出の注目度）: 6.922685346533148
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a method for generating arrangements of indoor furniture from human-designed furniture layout data. Our method creates arrangements that target specified diversity, such as the total price of all furniture in the room and the number of pieces placed. To generate realistic furniture arrangement, we train a generative adversarial network (GAN) on human-designed layouts. To target specific diversity in the arrangements, we optimize the latent space of the GAN via a quality diversity algorithm to generate a diverse arrangement collection. Experiments show our approach discovers a set of arrangements that are similar to human-designed layouts but varies in price and number of furniture pieces.
Abstract（参考訳）: 人為的な家具配置データから室内家具の配置を生成する手法を提案する。本手法は, 室内の家具の総価格や設置品数など, 特定多様性を目標とした配置を作成する。現実的な家具配置を生成するため,人間設計レイアウト上でGAN(Generative Adversarial Network)を訓練する。配置の特定の多様性を目標として,品質多様性アルゴリズムを用いてGANの潜伏空間を最適化し,多様な配置コレクションを生成する。実験により, 設計したレイアウトに類似しているが, 価格や家具の部品数によって異なる配置が発見された。

関連論文リスト

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)
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)
RoomDesigner: Encoding Anchor-latents for Style-consistent and Shape-compatible Indoor Scene Generation [26.906174238830474]
室内シーン生成は、空間的に合理的なレイアウトで形状に整合したスタイルの家具配置を作成することを目的としている。家具をアンカーラテント表現としてエンコードすることで,形状先行を室内シーン生成に組み込む2段階モデルを提案する。
論文参考訳（メタデータ） (2023-10-16T03:05:19Z)
Knolling Bot: Learning Robotic Object Arrangement from Tidy Demonstrations [11.873522421121173]
本稿では,ロボットがタイディネスの概念を理解し,再現できる自己指導型学習フレームワークを提案する。我々は、トランスフォーマーニューラルネットワークを利用して、その後のオブジェクトの配置を予測する。提案手法は, 汎用的なタイディネスの概念を訓練するだけでなく, カスタマイズされたタイディテーブルを生成するために, 人間の好みを取り入れることもできる。
論文参考訳（メタデータ） (2023-10-06T20:13:07Z)
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)
Rearrange Indoor Scenes for Human-Robot Co-Activity [82.22847163761969]
本稿では,室内家具を人間ロボットのコアクティビティを向上するために,室内家具の配置を最適化した枠組みを提案する。提案アルゴリズムは,SUNCGとConceptNetから抽出した空間的・意味的共起情報を統合することにより,家具間の機能的関係を保っている。実験の結果、アレンジされたシーンは平均して14%のスペースを提供し、30%以上のオブジェクトをやりとりできることがわかった。
論文参考訳（メタデータ） (2023-03-10T03:03:32Z)
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-level Latent Space Structuring for Generative Control [53.240701050423155]
本稿では,StyleGAN生成アーキテクチャを活用して新たなトランケーション手法を提案する。我々は、ガウスの学習可能な混合を用いて、StyleGANの拡張中間潜在空間であるW-空間を再生成することを学ぶ。結果として生じる切り離しスキームは、元の未熟なサンプルをより忠実にし、品質と多様性のトレードオフをより良くする。
論文参考訳（メタデータ） (2022-02-11T21:26:17Z)
A Consciousness-Inspired Planning Agent for Model-Based Reinforcement Learning [104.3643447579578]
本稿では、その状態の関連部分に動的に対応できるエンドツーエンドのモデルベース深層強化学習エージェントを提案する。この設計により、エージェントは関連するオブジェクトに参画することで効果的に計画を学ぶことができ、配布外一般化がより良くなる。
論文参考訳（メタデータ） (2021-06-03T19:35:19Z)
Deep Reinforcement Learning for Producing Furniture Layout in Indoor Scenes [3.4447129363520332]
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。
論文参考訳（メタデータ） (2021-01-19T04:38:58Z)
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。