論文の概要: RoomDesigner: Encoding Anchor-latents for Style-consistent and
Shape-compatible Indoor Scene Generation
- arxiv url: http://arxiv.org/abs/2310.10027v1
- Date: Mon, 16 Oct 2023 03:05:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 16:48:01.593637
- Title: RoomDesigner: Encoding Anchor-latents for Style-consistent and
Shape-compatible Indoor Scene Generation
- Title（参考訳）: roomdesigner:スタイル一貫性と形状対応の屋内シーン生成のためのアンカーラタント符号化
- Authors: Yiqun Zhao, Zibo Zhao, Jing Li, Sixun Dong, Shenghua Gao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 26.906174238830474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Indoor scene generation aims at creating shape-compatible, style-consistent
furniture arrangements within a spatially reasonable layout. However, most
existing approaches primarily focus on generating plausible furniture layouts
without incorporating specific details related to individual furniture pieces.
To address this limitation, we propose a two-stage model integrating shape
priors into the indoor scene generation by encoding furniture as anchor latent
representations. In the first stage, we employ discrete vector quantization to
encode furniture pieces as anchor-latents. Based on the anchor-latents
representation, the shape and location information of the furniture was
characterized by a concatenation of location, size, orientation, class, and our
anchor latent. In the second stage, we leverage a transformer model to predict
indoor scenes autoregressively. Thanks to incorporating the proposed
anchor-latents representations, our generative model produces shape-compatible
and style-consistent furniture arrangements and synthesis furniture in diverse
shapes. Furthermore, our method facilitates various human interaction
applications, such as style-consistent scene completion, object mismatch
correction, and controllable object-level editing. Experimental results on the
3D-Front dataset demonstrate that our approach can generate more consistent and
compatible indoor scenes compared to existing methods, even without shape
retrieval. Additionally, extensive ablation studies confirm the effectiveness
of our design choices in the indoor scene generation model.
- Abstract（参考訳）: 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。
しかし、既存のほとんどのアプローチは、個々の家具に関する特定の詳細を組み込むことなく、もっともらしい家具レイアウトを生成することに重点を置いている。
この制限に対処するために,家具をアンカー潜在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統合する2段階モデルを提案する。
第1段階では,家具部品をアンカーラタントとして符号化するために離散ベクトル量子化を用いる。
アンカーラテント表現に基づき, 家具の形状と位置情報は, 位置, サイズ, 方向, クラス, アンカーラテントの結合によって特徴づけられた。
第2段階では,室内シーンの自動回帰予測にトランスフォーマーモデルを利用する。
提案したアンカーラテント表現を取り入れることで, 形状に整合した形状の家具配置と合成家具を多種多様な形状で生成する。
さらに,スタイル一貫性のあるシーンコンプリート,オブジェクトミスマッチ補正,制御可能なオブジェクトレベルの編集など,さまざまなヒューマンインタラクションアプリケーションを実現する。
3d-frontデータセットの実験結果は,既存の手法と比較して,形状検索を行わなくても,より一貫性と互換性のある室内シーンを生成できることを示した。
また,室内シーン生成モデルにおける設計選択の有効性を広範囲に検証した。
関連論文リスト
- Prim2Room: Layout-Controllable Room Mesh Generation from Primitives [90.5012354166981]
Prim2Roomは、2Dレイアウト条件と3Dプリミティブ検索を活用した制御可能なルームメッシュ生成のためのフレームワークである。
適応的な視点選択アルゴリズムを導入し、より好ましい視点から家具のテクスチャと幾何学を生成する。
提案手法は,生成した3Dシーンの精度と美的魅力を高めるだけでなく,詳細な部屋デザインのためのユーザフレンドリーなプラットフォームも提供する。
論文 参考訳（メタデータ） (2024-09-09T07:25:47Z) - 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) - Style-Consistent 3D Indoor Scene Synthesis with Decoupled Objects [84.45345829270626]
制御可能な3D屋内シーン合成は、技術進歩の最前線にある。
シーンスタイリングの現在の手法は、シーン全体にスタイルを適用することに限定されている。
室内3Dシーンを合成するためのユニークなパイプラインを提案する。
論文 参考訳（メタデータ） (2024-01-24T03:10:36Z) - 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) - 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) - CLIP-Layout: Style-Consistent Indoor Scene Synthesis with Semantic
Furniture Embedding [17.053844262654223]
室内シーンの合成は、家具をフロアプランに適切にピックして配置する。
本稿では,インスタンスレベルの予測を出力できる自動回帰シーンモデルを提案する。
我々のモデルはシーン合成におけるSOTAの結果を達成し、自動補完の指標を50%以上改善する。
論文 参考訳（メタデータ） (2023-03-07T00:26:02Z) - Structured Graph Variational Autoencoders for Indoor Furniture layout
Generation [7.035614458419328]
室内3Dシーンのレイアウトを生成するための構造化グラフ変分オートエンコーダを提案する。
このアーキテクチャは、入力グラフを構造化潜在空間にマッピングするグラフエンコーダと、家具グラフを生成するグラフデコーダから構成される。
3D-FRONTデータセットを用いた実験により,本手法は多様で室内レイアウトに適応したシーンを生成する。
論文 参考訳（メタデータ） (2022-04-11T04:58:26Z) - Compositional Transformers for Scene Generation [13.633811200719627]
本稿では,生成モデルのための反復的オブジェクト指向変換器であるGANformer2モデルを紹介する。
視覚的品質,多様性,一貫性の観点から,最先端のパフォーマンスを実現していることを示す。
さらなる実験はモデルの絡み合いを実証し、生成過程についてより深い洞察を与える。
論文 参考訳（メタデータ） (2021-11-17T08:11:42Z) - ATISS: Autoregressive Transformers for Indoor Scene Synthesis [112.63708524926689]
我々は,合成室内環境を構築するための新しい自己回帰型トランスフォーマーアーキテクチャであるATISSを紹介する。
この定式化は、ATISSが完全に自動的な部屋レイアウト合成を超えて一般的に有用になるため、より自然なものであると我々は主張する。
本モデルは,ラベル付き3Dバウンディングボックスのみを監督として,自動回帰生成モデルとしてエンドツーエンドで訓練されている。
論文 参考訳（メタデータ） (2021-10-07T17:58:05Z) - Image-Driven Furniture Style for Interactive 3D Scene Modeling [8.8561720398658]
内部スタイルは、色、幾何学、その他の視覚要素を含む規則に従う。
室内のシーン画像から家具のスタイル適合性を学習し,スタイル類似性タスクを高速に追跡する手法を提案する。
提案手法は,複数の3次元モデルスタイル適合性結果と,スタイル一貫性シーンをモデル化するための対話型システムを用いて実証する。
論文 参考訳（メタデータ） (2020-10-20T18:19:28Z)
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。