論文の概要: Hierarchical Reinforcement Learning for Furniture Layout in Virtual Indoor Scenes

• arxiv url: http://arxiv.org/abs/2210.10431v1
• Date: Wed, 19 Oct 2022 09:58:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 13:10:08.474466
• Title: Hierarchical Reinforcement Learning for Furniture Layout in Virtual Indoor Scenes
• Title（参考訳）: 仮想室内シーンにおける家具レイアウトの階層的強化学習
• Authors: Xinhan Di and Pengqian Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.2481284426718533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real life, the decoration of 3D indoor scenes through designing furniture layout provides a rich experience for people. In this paper, we explore the furniture layout task as a Markov decision process (MDP) in virtual reality, which is solved by hierarchical reinforcement learning (HRL). The goal is to produce a proper two-furniture layout in the virtual reality of the indoor scenes. In particular, we first design a simulation environment and introduce the HRL formulation for a two-furniture layout. We then apply a hierarchical actor-critic algorithm with curriculum learning to solve the MDP. 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 models.
• Abstract（参考訳）: 実生活では、家具のレイアウト設計による室内3dシーンの装飾は、人々にリッチな体験を提供する。 本稿では,階層的強化学習(HRL)によって解決された仮想現実のマルコフ決定過程(MDP)として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。 特に、まずシミュレーション環境を設計し、2家具レイアウトのためのHRL定式化を導入する。 次に,MDPを解くために,カリキュラム学習を伴う階層的アクター批判アルゴリズムを適用した。 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。

関連論文リスト

• LLplace: The 3D Indoor Scene Layout Generation and Editing via Large Language Model [58.24851949945434]
  LLplace は軽量な微調整のオープンソース LLM Llama3 に基づく新しい3D屋内シーンレイアウトデザイナである。 LLplaceは、空間的関係の先行とコンテキスト内例の必要性を回避し、効率的で信頼性の高い部屋レイアウト生成を可能にする。 提案手法は,高品質な3D設計ソリューションを実現する上で,LLplaceがインタラクティブに3D屋内レイアウトを効果的に生成・編集できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T08:53:01Z)
• Mixed Diffusion for 3D Indoor Scene Synthesis [55.94569112629208]
  混合離散連続拡散モデルアーキテクチャであるMiDiffusionを提案する。 シーンレイアウトを2次元のフロアプランとオブジェクトの集合で表現し、それぞれがそのカテゴリ、場所、サイズ、方向で定義する。 実験により,MiDiffusionは床条件下での3次元シーン合成において,最先端の自己回帰モデルや拡散モデルよりもかなり優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-31T17:54:52Z)
• 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)
• 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)
• SceneHGN: Hierarchical Graph Networks for 3D Indoor Scene Generation with Fine-Grained Geometry [92.24144643757963]
  3D屋内シーンは、インテリアデザインからゲーム、バーチャルおよび拡張現実に至るまで、コンピュータグラフィックスで広く使われている。 高品質な3D屋内シーンは、専門知識が必要であり、手動で高品質な3D屋内シーンを設計するのに時間を要する。 SCENEHGNは3次元屋内シーンの階層的なグラフネットワークであり,部屋レベルからオブジェクトレベルまでの全階層を考慮し,最後にオブジェクト部分レベルに展開する。 提案手法は, 立体形状の細かな家具を含む, 可塑性3次元室内容を直接生成し, 直接的に生成することができる。
  論文  参考訳（メタデータ） (2023-02-16T15:31:59Z)
• 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)
• 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)
• 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。