論文の概要: HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses
- arxiv url: http://arxiv.org/abs/2503.20289v2
- Date: Tue, 16 Sep 2025 03:01:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 15:46:32.603125
- Title: HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses
- Title（参考訳）: HierRelTriple: 階層的三重項損失による屋内レイアウト生成の誘導
- Authors: Kaifan Sun, Bingchen Yang, Peter Wonka, Jun Xiao, Haiyong Jiang,
- Abstract要約: 本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。
階層型リレーショナル三重項モデリングフレームワークであるHierRelTripleを導入する。
非条件レイアウト合成、フロアプラン条件付きレイアウト生成、シーン再構成の実験により、HierRelは空間関係のメトリクスを15%以上改善することを示した。
- 参考スコア（独自算出の注目度）: 52.70183252341687
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a hierarchical triplet-based indoor relationship learning method, coined HierRelTriple, with a focus on spatial relationship learning. Existing approaches often depend on manually defined spatial rules or simplified pairwise representations, which fail to capture complex, multi-object relationships found in real scenarios and lead to overcrowded or physically implausible arrangements. We introduce HierRelTriple, a hierarchical relational triplets modeling framework that first partitions functional regions and then automatically extracts three levels of spatial relationships: object-to-region (O2R), object-to-object (O2O), and corner-to-corner (C2C). By representing these relationships as geometric triplets and employing approaches based on Delaunay Triangulation to establish spatial priors, we derive IoU loss between denoised and ground truth triplets and integrate them seamlessly into the diffusion denoising process. The introduction of the joint formulation of inter-object distances, angular orientations, and spatial relationships enhances the physical realism of the generated scenes. Extensive experiments on unconditional layout synthesis, floorplan-conditioned layout generation, and scene rearrangement demonstrate that HierRelTriple improves spatial-relation metrics by over 15% and substantially reduces collisions and boundary violations compared to state-of-the-art methods.
- Abstract（参考訳）: 本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。
既存のアプローチは、しばしば手動で定義された空間規則や単純化されたペアワイズ表現に依存しており、実際のシナリオで見いだされる複雑な多目的関係を捉えず、過密あるいは物理的に不可解な配置に繋がる。
階層型リレーショナル・トリプル・モデリング・フレームワークであるHierRelTripleを導入し,まず機能領域を分割し,次にオブジェクト・ツー・リージョン(O2R),オブジェクト・トゥ・オブジェクト(O2O),コーナー・トゥ・コーナ(C2C)の3段階の空間関係を自動的に抽出する。
これらの関係を幾何学的三重項として表現し,空間的先行性を確立するためにDlaunay Triangulationに基づくアプローチを採用することにより,IoUの減少と地中真理三重項の減少を導出し,拡散復調過程にシームレスに統合する。
オブジェクト間距離、角方向、空間的関係の合同定式化の導入により、生成されたシーンの物理的リアリズムが向上する。
非条件のレイアウト合成, フロアプラン付きレイアウト生成, シーン再構成に関する大規模な実験により, HierRelTriple は空間関係の指標を15%以上改善し, 衝突や境界違反を最先端の手法と比較して大幅に低減することを示した。
関連論文リスト
- "Set It Up!": Functional Object Arrangement with Compositional Generative Models [64.77941735876452]
未特定命令の解釈を学習するためのフレームワークであるSetItUpを導入する。
研究デスク,ダイニングテーブル,コーヒーテーブルからなるデータセット上で,我々のフレームワークを検証する。
論文 参考訳（メタデータ） (2024-05-20T10:06:33Z) - RTF: Region-based Table Filling Method for Relational Triple Extraction [17.267920424291372]
本稿では,知識グラフからトリプルを抽出する領域ベースのテーブルフィリング手法を提案する。
そこで我々は,各トリプルを関係特化テーブル上の領域とみなし,各領域の2つのエンドポイントを決定することで3つを識別する,新しい領域ベースのタグ付け手法と双方向デコーディング戦略を考案した。
提案手法は,2つの広く使用されているベンチマークデータセットの3変種に対して,より優れた一般化を実現することを示す実験結果を得た。
論文 参考訳（メタデータ） (2024-04-29T23:36:38Z) - Serving Deep Learning Model in Relational Databases [70.53282490832189]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。
最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。
UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
論文 参考訳（メタデータ） (2023-10-07T06:01:35Z) - LAW-Diffusion: Complex Scene Generation by Diffusion with Layouts [107.11267074981905]
LAW拡散(LAW-Diffusion)と呼ばれる意味制御可能なレイアウト・AWare拡散モデルを提案する。
LAW拡散は、特にコヒーレントな対象関係を持つ最先端の生成性能をもたらすことを示す。
論文 参考訳（メタデータ） (2023-08-13T08:06:18Z) - RE$^2$: Region-Aware Relation Extraction from Visually Rich Documents [18.369611871952667]
本稿では,各ブロック間の領域レベルの空間構造を利用して関係予測を改善するRegion-Aware Relation extract (RE$2$)を提案する。
また、関係抽出タスクの固有の制約との整合性に向けてモデルを規則化するための制約目標も導入する。
論文 参考訳（メタデータ） (2023-05-24T00:07:40Z) - Learning Relation-Specific Representations for Few-shot Knowledge Graph
Completion [24.880078645503417]
本稿では,三重項のグラフコンテキストを利用して関係と実体のセマンティック情報を同時に取得する関係特化文脈学習フレームワークを提案する。
2つの公開データセットの実験結果は、RSCLが最先端のFKGC法より優れていることを示している。
論文 参考訳（メタデータ） (2022-03-22T11:45:48Z) - Learning to Compose Visual Relations [100.45138490076866]
我々は,各関係を非正規化密度(エネルギーベースモデル)として表現することを提案する。
このような分解を分解することで、複数の関係を持つシーンをより忠実に生成・編集できることを示す。
論文 参考訳（メタデータ） (2021-11-17T18:51:29Z) - Joint Constrained Learning for Event-Event Relation Extraction [94.3499255880101]
本稿では,イベント・イベント関係をモデル化するための制約付き協調学習フレームワークを提案する。
具体的には、このフレームワークは、複数の時間的および部分的関係内の論理的制約を強制する。
我々は,共同学習手法が,共同ラベル付きデータの欠如を効果的に補うことを示す。
論文 参考訳（メタデータ） (2020-10-13T22:45:28Z) - Intrinsic Relationship Reasoning for Small Object Detection [44.68289739449486]
画像やビデオの小さなオブジェクトは通常、独立した個人ではない。その代わりに、意味的および空間的レイアウトの関係を多かれ少なかれ提示する。
本稿では,オブジェクト間の固有意味と空間的レイアウトの関係をモデル化し,推論する,小さなオブジェクト検出のための新しいコンテキスト推論手法を提案する。
論文 参考訳（メタデータ） (2020-09-02T06:03:05Z) - Understanding Spatial Relations through Multiple Modalities [78.07328342973611]
オブジェクト間の空間的関係は、空間的前置詞として表されるか、移動、歩行、移動などの空間的動詞によって表される。
画像中の2つの実体間の暗黙的・明示的な空間的関係を推定するタスクを導入する。
本研究では、テキスト情報と視覚情報の両方を用いて空間関係を予測し、物体の位置情報と大きさ情報と画像埋め込みを利用するモデルを設計する。
論文 参考訳（メタデータ） (2020-07-19T01:35:08Z) - On Embeddings in Relational Databases [11.52782249184251]
低次元埋め込みを用いた関係データベースにおけるエンティティの分散表現学習の問題に対処する。
近年の埋め込み学習法は,すべてのテーブルの完全結合をリレーショナル化し,知識グラフとして表すことにより,データベースの完全非正規化を考慮に入れたナイーブな手法である。
本稿では,テーブル内の列の基本的なセマンティクスを利用して表現を学習する上で,関係結合と潜時関係を用いて,より優れた方法論を実証する。
論文 参考訳（メタデータ） (2020-05-13T17:21:27Z)
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。