論文の概要: End-to-end Graph-constrained Vectorized Floorplan Generation with
Panoptic Refinement
- arxiv url: http://arxiv.org/abs/2207.13268v1
- Date: Wed, 27 Jul 2022 03:19:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-28 13:21:10.018453
- Title: End-to-end Graph-constrained Vectorized Floorplan Generation with
Panoptic Refinement
- Title（参考訳）: パノプティカルリファインメントを用いたエンドツーエンドグラフ制約ベクトル化フロアプラン生成
- Authors: Jiachen Liu, Yuan Xue, Jose Duarte, Krishnendra Shekhawat, Zihan Zhou,
Xiaolei Huang
- Abstract要約: 本研究では,1次元ベクトルのシーケンスとしてフロアプランを合成することを目的としている。
最初の段階では,ユーザが入力した部屋接続グラフをGCN(Graphal Network)でエンコードし,自動回帰トランスフォーマネットワークを適用して初期フロアプランを生成する。
初期設計を洗練し、より視覚的に魅力的なフロアプランを生成するために、GCNとトランスフォーマーネットワークからなる新しい汎視補正ネットワーク(PRN)を提案する。
- 参考スコア（独自算出の注目度）: 16.103152098205566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The automatic generation of floorplans given user inputs has great potential
in architectural design and has recently been explored in the computer vision
community. However, the majority of existing methods synthesize floorplans in
the format of rasterized images, which are difficult to edit or customize. In
this paper, we aim to synthesize floorplans as sequences of 1-D vectors, which
eases user interaction and design customization. To generate high fidelity
vectorized floorplans, we propose a novel two-stage framework, including a
draft stage and a multi-round refining stage. In the first stage, we encode the
room connectivity graph input by users with a graph convolutional network
(GCN), then apply an autoregressive transformer network to generate an initial
floorplan sequence. To polish the initial design and generate more visually
appealing floorplans, we further propose a novel panoptic refinement
network(PRN) composed of a GCN and a transformer network. The PRN takes the
initial generated sequence as input and refines the floorplan design while
encouraging the correct room connectivity with our proposed geometric loss. We
have conducted extensive experiments on a real-world floorplan dataset, and the
results show that our method achieves state-of-the-art performance under
different settings and evaluation metrics.
- Abstract（参考訳）: ユーザが入力したフロアプランの自動生成は、アーキテクチャ設計において大きな可能性を持ち、コンピュータビジョンコミュニティで最近研究されている。
しかし、既存の手法の多くはラスタ化画像のフォーマットでフロアプランを合成しており、編集やカスタマイズは困難である。
本稿では,1次元ベクトルのシーケンスとしてフロアプランを合成し,ユーザインタラクションや設計のカスタマイズを容易にすることを目的とする。
高忠実度ベクトル化フロアプランを作成するために,ドラフトステージと多ラウンド精錬ステージを含む新しい2段フレームワークを提案する。
第1段階では、ユーザが入力した部屋接続グラフをグラフ畳み込みネットワーク(gcn)で符号化し、自己回帰トランスフォーマーネットワークを適用して初期フロアプランシーケンスを生成する。
初期設計を洗練し、より視覚的に魅力的なフロアプランを生成するために、GCNとトランスフォーマーネットワークからなる新しい汎視補正ネットワーク(PRN)を提案する。
PRNは初期生成シーケンスを入力として取り込んでフロアプラン設計を洗練するとともに,提案した幾何学的損失を伴って室内の接続性を向上する。
本手法は,実世界のフロアプランデータセットを広範囲に実験した結果,異なる設定条件と評価指標で最先端の性能が得られた。
関連論文リスト
- Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。
各パーティション内に1つのプリミティブを導出するために空間分割を適用する。
我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
論文 参考訳（メタデータ） (2024-06-07T21:07:49Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-15T14:36:38Z) - Skip-Connected Neural Networks with Layout Graphs for Floor Plan
Auto-Generation [0.0]
本稿では,レイアウトグラフを統合したスキップ接続型ニューラルネットワークを用いた新しい手法を提案する。
スキップ接続されたレイヤは、マルチスケールフロアプラン情報をキャプチャし、GNNによるエンコーダデコーダネットワークは、ピクセルレベルの確率ベースの生成を容易にする。
論文 参考訳（メタデータ） (2023-09-25T05:20:57Z) - HouseDiffusion: Vector Floorplan Generation via a Diffusion Model with
Discrete and Continuous Denoising [26.2029195029127]
本稿では,拡散モデルを用いたベクトルフロアプラン生成手法を提案する。
フロアプランを1次元多角形ループとして表現し、それぞれが部屋やドアに対応する。
提案手法は,最先端技術に対するすべての指標を,大きなマージンで大幅に改善する。
論文 参考訳（メタデータ） (2022-11-23T20:25:11Z) - FloorGenT: Generative Vector Graphic Model of Floor Plans for Robotics [5.71097144710995]
フロアプランを特定の視点から見たラインセグメントのシーケンスとしてモデル化することにより、最近の自己回帰シーケンスモデリングの進歩をフロアプランのモデル化と予測に活用できることが示される。
論文 参考訳（メタデータ） (2022-03-07T13:42:48Z) - Analogous to Evolutionary Algorithm: Designing a Unified Sequence Model [58.17021225930069]
実演的進化アルゴリズム(EA)と類似した視覚変換器の合理性について説明する。
我々は、より効率的なEATモデルを提案し、様々なタスクに柔軟に対処するタスク関連ヘッドを設計する。
近年のビジョントランスに比べて,イメージネット分類作業における最先端の成果が得られている。
論文 参考訳（メタデータ） (2021-05-31T16:20:03Z) - House-GAN++: Generative Adversarial Layout Refinement Networks [37.60108582423617]
我々のアーキテクチャはグラフ制約付きGANと条件付きGANの統合であり、そこでは以前に生成されたレイアウトが次の入力制約となる。
我々の研究の驚くべき発見は、コンポーネントワイドGTコンディショニングと呼ばれる単純な非イテレーティブトレーニングプロセスが、そのようなジェネレータの学習に有効であることである。
論文 参考訳（メタデータ） (2021-03-03T18:15:52Z) - Graph2Plan: Learning Floorplan Generation from Layout Graphs [22.96011587272246]
本稿では,ディープニューラルネットワークとユーザ・イン・ザ・ループ設計を用いたフロアプランの自動生成のための学習フレームワークを提案する。
学習フレームワークの中核となるコンポーネントはディープニューラルネットワークであるGraph2Planで、レイアウトグラフと建物の境界をフロアプランに変換する。
論文 参考訳（メタデータ） (2020-04-27T23:17:36Z) - Latent Space Roadmap for Visual Action Planning of Deformable and Rigid
Object Manipulation [74.88956115580388]
プランニングは、イメージを埋め込んだ低次元の潜在状態空間で行われる。
我々のフレームワークは2つの主要なコンポーネントで構成されており、画像のシーケンスとして視覚的な計画を生成するビジュアル・フォレスト・モジュール(VFM)と、それら間のアクションを予測するアクション・プロポーザル・ネットワーク(APN)である。
論文 参考訳（メタデータ） (2020-03-19T18:43:26Z) - House-GAN: Relational Generative Adversarial Networks for
Graph-constrained House Layout Generation [59.86153321871127]
主な考え方は、制約をリレーショナルネットワークのグラフ構造にエンコードすることである。
我々は、新しい住宅レイアウト生成問題に対する提案されたアーキテクチャを実証した。
論文 参考訳（メタデータ） (2020-03-16T03:16:12Z) - Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。
以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。
本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
論文 参考訳（メタデータ） (2020-02-27T18:54:42Z)
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。