論文の概要: ArchShapeNet:An Interpretable 3D-CNN Framework for Evaluating Architectural Shapes

• arxiv url: http://arxiv.org/abs/2506.14832v1
• Date: Sat, 14 Jun 2025 06:43:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.414294
• Title: ArchShapeNet:An Interpretable 3D-CNN Framework for Evaluating Architectural Shapes
• Title（参考訳）: ArchShapeNet:アーキテクチャ形状評価のための解釈可能な3D-CNNフレームワーク
• Authors: Jun Yin, Jing Zhong, Pengyu Zeng, Peilin Li, Zixuan Dai, Miao Zhang, Shuai Lu,
• Abstract要約: ArchForms-4000は2000人の建築家が設計し、2000人のエボマスが生成した3Dフォームを含むデータセットである。 ArchShapeNetはアーキテクチャフォームの分類と解析に適した3D畳み込みニューラルネットワークである。 我々のモデルは、フォーム起源の区別において人間の専門家より優れており、94.29%の精度、96.2%の精度、98.51%のリコールを達成している。
• 参考スコア（独自算出の注目度）: 24.731262578136057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In contemporary architectural design, the growing complexity and diversity of design demands have made generative plugin tools essential for quickly producing initial concepts and exploring novel 3D forms. However, objectively analyzing the differences between human-designed and machine-generated 3D forms remains a challenge, limiting our understanding of their respective strengths and hindering the advancement of generative tools. To address this, we built ArchForms-4000, a dataset containing 2,000 architect-designed and 2,000 Evomass-generated 3D forms; Proposed ArchShapeNet, a 3D convolutional neural network tailored for classifying and analyzing architectural forms, incorporating a saliency module to highlight key spatial features aligned with architectural reasoning; And conducted comparative experiments showing our model outperforms human experts in distinguishing form origins, achieving 94.29% accuracy, 96.2% precision, and 98.51% recall. This study not only highlights the distinctive advantages of human-designed forms in spatial organization, proportional harmony, and detail refinement but also provides valuable insights for enhancing generative design tools in the future.
• Abstract（参考訳）: 現代建築設計において、複雑さの増大と設計要求の多様性により、初期概念を迅速に生成し、新しい3D形式を探求する上で、生成プラグインツールが不可欠になっている。 しかし、人間設計と機械生成の3D形式の違いを客観的に分析することは依然として課題であり、それぞれの強みの理解を制限し、生成ツールの進歩を妨げている。 アーキテクチャ形式の分類と分析に適した3D畳み込みニューラルネットワークであるArchShapeNetを提案し、アーキテクチャの推論に沿った重要な空間的特徴を強調するために、サリエンシモジュールを組み込んだ。そして、我々のモデルがフォームの起源を識別し、94.29%の精度、96.2%の精度、98.51%のリコールを達成した、比較実験を行った。 本研究は, 空間的構造, 比例調和, 細部改良における人間設計形態の顕著な長所を浮き彫りにするとともに, 将来的な創造的デザインツールの強化に有用な知見を提供する。

関連論文リスト

• DeepWheel: Generating a 3D Synthetic Wheel Dataset for Design and Performance Evaluation [3.3148826359547523]
  本研究では,生成AIを用いた合成設計・性能データセット生成フレームワークを提案する。 このフレームワークは、まず安定拡散を用いて2次元描画画像を生成し、2.5次元深さ推定により3次元形状を再構成する。 最終データセットはDeepWheelと呼ばれ、6000以上の写真リアル画像と900以上の構造解析された3Dモデルで構成されている。
  論文  参考訳（メタデータ） (2025-04-15T16:20:00Z)
• JADE: Joint-aware Latent Diffusion for 3D Human Generative Modeling [62.77347895550087]
  JADEは人体形状の変化を微粒化制御で学習する生成フレームワークである。 私たちの重要な洞察は、人体を骨格構造に分解する共同認識の潜伏表現です。 提案した分解条件下でのコヒーレントで可塑性な人体形状を生成するため,カスケードパイプラインも提案する。
  論文  参考訳（メタデータ） (2024-12-29T14:18:35Z)
• Part-aware Shape Generation with Latent 3D Diffusion of Neural Voxel Fields [50.12118098874321]
  ニューラルボクセル場に対する潜在3次元拡散過程を導入し,高分解能で生成を可能にする。 部分符号を神経ボクセル場に統合し、正確な部分分解を導出するために、部分認識形状復号器を導入する。 その結果,既存の最先端手法よりも優れた部品認識形状生成において,提案手法の優れた生成能力を示した。
  論文  参考訳（メタデータ） (2024-05-02T04:31:17Z)
• Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
  自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。 自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
  論文  参考訳（メタデータ） (2024-02-19T15:33:09Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Pushing the Limits of 3D Shape Generation at Scale [65.24420181727615]
  我々は、前例のない次元に拡大することで、3次元形状生成において画期的なブレークスルーを示す。 現在までに最大の3次元形状生成モデルとしてArgus-3Dが確立されている。
  論文  参考訳（メタデータ） (2023-06-20T13:01:19Z)
• Towards AI-Architecture Liberty: A Comprehensive Survey on Design and Generation of Virtual Architecture by Deep Learning [23.58793497403681]
  ディープラーニングを活用した3D形状生成技術は、コンピュータビジョンとアーキテクチャデザインコミュニティの両方から大きな関心を集めている。 建築設計, 3次元形状技術, 仮想環境に関する149の関連記事について概説する。 深層学習支援アーキテクチャ生成における没入型システムとのユビキタスインタラクションの4つの重要な実現方法を強調した。
  論文  参考訳（メタデータ） (2023-04-30T15:38:36Z)
• Architext: Language-Driven Generative Architecture Design [1.393683063795544]
  Architextは、大規模な言語モデルに入力として与えられる自然言語プロンプトのみを持つ設計生成を可能にする。 我々は,多くの事前学習言語モデルに対する意味的精度と多様性に着目し,Architextのダウンストリームタスク性能を徹底的に定量的に評価する。 Architextモデルは、特定の設計タスクを学習し、有効な住宅レイアウトを100%近い速度で生成することができる。
  論文  参考訳（メタデータ） (2023-03-13T23:11:05Z)

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。