論文の概要: FloorplanMAE:A self-supervised framework for complete floorplan generation from partial inputs
- arxiv url: http://arxiv.org/abs/2506.08363v1
- Date: Tue, 10 Jun 2025 02:22:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-11 15:11:41.16434
- Title: FloorplanMAE:A self-supervised framework for complete floorplan generation from partial inputs
- Title（参考訳）: FloorplanMAE:部分入力からのフルフロアプラン生成のための自己教師型フレームワーク
- Authors: Jun Yin, Jing Zhong, Pengyu Zeng, Peilin Li, Miao Zhang, Ran Luo, Shuai Lu,
- Abstract要約: 不完全なフロアプランを完全なフロアプランに復元するための自己教師型学習フレームワークであるFloorplanMAEを提案する。
まず,建築用フロアプランに特化して訓練したフロアプラン再構築データセットFloorplanNetを開発した。
次に,Masked Autoencoders (MAE) に基づくフロアプラン再構築手法を提案する。
- 参考スコア（独自算出の注目度）: 25.35768485637194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the architectural design process, floorplan design is often a dynamic and iterative process. Architects progressively draw various parts of the floorplan according to their ideas and requirements, continuously adjusting and refining throughout the design process. Therefore, the ability to predict a complete floorplan from a partial one holds significant value in the design process. Such prediction can help architects quickly generate preliminary designs, improve design efficiency, and reduce the workload associated with repeated modifications. To address this need, we propose FloorplanMAE, a self-supervised learning framework for restoring incomplete floor plans into complete ones. First, we developed a floor plan reconstruction dataset, FloorplanNet, specifically trained on architectural floor plans. Secondly, we propose a floor plan reconstruction method based on Masked Autoencoders (MAE), which reconstructs missing parts by masking sections of the floor plan and training a lightweight Vision Transformer (ViT). We evaluated the reconstruction accuracy of FloorplanMAE and compared it with state-of-the-art benchmarks. Additionally, we validated the model using real sketches from the early stages of architectural design. Experimental results show that the FloorplanMAE model can generate high-quality complete floor plans from incomplete partial plans. This framework provides a scalable solution for floor plan generation, with broad application prospects.
- Abstract（参考訳）: アーキテクチャ設計プロセスでは、フロアプラン設計は動的で反復的なプロセスであることが多い。
アーキテクトは、設計プロセス全体を通して継続的に調整と精錬を行い、アイデアと要求に従って、フロアプランのさまざまな部分を徐々に描きます。
したがって、部分的なフロアプランから完全なフロアプランを予測する能力は、設計プロセスにおいて大きな価値を持つ。
このような予測は、設計者が事前設計を迅速に生成し、設計効率を向上し、繰り返し修正に伴う作業負荷を減らすのに役立つ。
このニーズに対処するために,不完全なフロアプランを完全なフロアプランに復元するための自己教師付き学習フレームワークであるFloorplanMAEを提案する。
まず,建築用フロアプランに特化して訓練したフロアプラン再構築データセットFloorplanNetを開発した。
次に,Masked Autoencoders (MAE) に基づくフロアプラン再構築手法を提案する。
我々はFloorplanMAEの復元精度を評価し、最先端のベンチマークと比較した。
さらに、アーキテクチャ設計の初期段階から実際のスケッチを使用してモデルを検証した。
実験結果から,FloorplanMAEモデルが不完全な部分計画から高品質なフロアプランを生成できることが示唆された。
このフレームワークはフロアプラン生成のためのスケーラブルなソリューションを提供する。
関連論文リスト
- FloorPlan-DeepSeek (FPDS): A multimodal approach to floorplan generation using vector-based next room prediction [25.35768485637194]
既存のフロアプラン生成モデルは、主にエンド・ツー・エンドの世代であり、単一のパスでピクセルベースのレイアウト全体を生成する。
建築フロア・プラン・モデリングに適した新しい「次の部屋予測」パラダイムを提案する。
FPDSは、テキストからフロアプランタスクにおける拡散モデルとTell2Designと比較して、競合性能を示す。
論文 参考訳（メタデータ） (2025-06-12T04:33:27Z) - Floorplan-SLAM: A Real-Time, High-Accuracy, and Long-Term Multi-Session Point-Plane SLAM for Efficient Floorplan Reconstruction [6.135904277838598]
フロアプランの再構築は、信頼性の高い屋内ロボットナビゲーションと高レベルのシーン理解に不可欠な構造的前提を提供する。
平面抽出,ポーズ推定,バックエンド最適化をシームレスに行うことで,フロアプラン再構築をマルチセッションSLAMシステムに密に統合するFloorplan-SLAMを提案する。
Floorplan-SLAM は平面抽出, 推定精度, フロアプランの再現精度, 性能において, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2025-03-01T08:18:11Z) - MSD: A Benchmark Dataset for Floor Plan Generation of Building Complexes [6.9924720592711935]
textbfModified Swiss Dwellings (MSD) - 大規模なフロアプランデータセット。
MSDは中規模から大規模の複合住宅の5.3K以上のフロアプランがあり、18.9K以上のアパートをカバーしている。
論文 参考訳（メタデータ） (2024-07-14T08:51:25Z) - PDDLEGO: Iterative Planning in Textual Environments [56.12148805913657]
テキスト環境における計画は、現在のモデルにおいても長年にわたる課題であることが示されている。
我々は,あるサブゴールの部分的な計画に導く計画表現を反復的に構築するPDDLEGOを提案する。
数ショットのPDDLEGOで作成するプランは,Coin Collectorシミュレーションでエンドツーエンドのプランを生成するよりも43%効率がよいことを示す。
論文 参考訳（メタデータ） (2024-05-30T08:01:20Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z) - Compositional Foundation Models for Hierarchical Planning [52.18904315515153]
本稿では,言語,視覚,行動データを個別に訓練し,長期的課題を解決するための基礎モデルを提案する。
我々は,大規模なビデオ拡散モデルを用いて,環境に根ざした記号的計画を構築するために,大規模言語モデルを用いている。
生成したビデオプランは、生成したビデオからアクションを推論する逆ダイナミクスモデルを通じて、視覚運動制御に基礎を置いている。
論文 参考訳（メタデータ） (2023-09-15T17:44:05Z) - 2D Floor Plan Segmentation Based on Down-sampling [1.4502611532302039]
ダウンサンプリング手法に基づく新しい2次元フロアプランセグメンテーション手法を提案する。
本手法では, フロアプランに連続的なダウンサンプリングを適用し, 構造情報の維持と複雑さの低減を図る。
論文 参考訳（メタデータ） (2023-03-24T04:39:50Z) - Learning Reconstructability for Drone Aerial Path Planning [51.736344549907265]
本研究では,無人ドローンを用いた大規模3次元都市景観獲得のためのビューとパスプランニングを改善するための,学習に基づく最初の再構成可能性予測器を提案する。
従来の手法とは対照的に,本手法では,一組の視点から3次元都市景観をいかによく再構築するかを明示的に予測するモデルを学習する。
論文 参考訳（メタデータ） (2022-09-21T08:10:26Z) - End-to-end Graph-constrained Vectorized Floorplan Generation with
Panoptic Refinement [16.103152098205566]
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。
論文 参考訳（メタデータ） (2022-07-27T03:19:20Z) - Differentiable Spatial Planning using Transformers [87.90709874369192]
本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。
エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。
SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
論文 参考訳（メタデータ） (2021-12-02T06:48:16Z) - Plan2Vec: Unsupervised Representation Learning by Latent Plans [106.37274654231659]
Plan2vecは、強化学習にインスパイアされた教師なしの表現学習手法である。
Plan2vecは、近距離を用いて画像データセット上に重み付きグラフを構築し、その局所距離を、計画された経路上の経路積分を蒸留することによって、大域的な埋め込みに外挿する。
1つのシミュレーションと2つの実世界の画像データセットに対する Plan2vec の有効性を実証する。
論文 参考訳（メタデータ） (2020-05-07T17:52:23Z)
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。