論文の概要: Co-Layout: LLM-driven Co-optimization for Interior Layout
- arxiv url: http://arxiv.org/abs/2511.12474v1
- Date: Sun, 16 Nov 2025 06:20:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:24.189295
- Title: Co-Layout: LLM-driven Co-optimization for Interior Layout
- Title（参考訳）: 共同レイアウト: LLM駆動による内部レイアウトの最適化
- Authors: Chucheng Xiang, Ruchao Bao, Biyin Feng, Wenzheng Wu, Zhongyuan Liu, Yirui Guan, Ligang Liu,
- Abstract要約: 本稿では,大規模言語モデル(LLM)とグリッド型整数プログラミングを組み合わせて室内レイアウトと家具配置を協調的に最適化する,自動内装設計のためのフレームワークを提案する。
我々の定式化は、廊下接続、部屋のアクセシビリティ、空間的排他性、ユーザ指定の嗜好など、重要な設計要件を考慮に入れている。
- 参考スコア（独自算出の注目度）: 8.182031753612875
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel framework for automated interior design that combines large language models (LLMs) with grid-based integer programming to jointly optimize room layout and furniture placement. Given a textual prompt, the LLM-driven agent workflow extracts structured design constraints related to room configurations and furniture arrangements. These constraints are encoded into a unified grid-based representation inspired by ``Modulor". Our formulation accounts for key design requirements, including corridor connectivity, room accessibility, spatial exclusivity, and user-specified preferences. To improve computational efficiency, we adopt a coarse-to-fine optimization strategy that begins with a low-resolution grid to solve a simplified problem and guides the solution at the full resolution. Experimental results across diverse scenarios demonstrate that our joint optimization approach significantly outperforms existing two-stage design pipelines in solution quality, and achieves notable computational efficiency through the coarse-to-fine strategy.
- Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)とグリッド型整数プログラミングを組み合わせて室内レイアウトと家具配置を協調的に最適化する,自動内装設計のための新しいフレームワークを提案する。
テキストのプロンプトが与えられた場合、LCM駆動のエージェントワークフローは、部屋の構成や家具の配置に関する構造化された設計制約を抽出する。
これらの制約は ``Modulor' にインスパイアされた統一グリッドベースの表現にエンコードされる。
我々の定式化は、廊下接続、部屋のアクセシビリティ、空間的排他性、ユーザ指定の嗜好など、重要な設計要件を考慮に入れている。
計算効率を向上させるために、低解像度グリッドから始まる粗大な最適化戦略を採用し、単純化された問題を解き、解を全解像度で導く。
様々なシナリオにまたがる実験結果から,我々の共同最適化手法は,既存の2段階設計パイプラインのソリューション品質を著しく上回り,粗大な戦略によって計算効率を著しく向上させることを示した。
関連論文リスト
- DisCo-Layout: Disentangling and Coordinating Semantic and Physical Refinement in a Multi-Agent Framework for 3D Indoor Layout Synthesis [76.7196710324494]
3次元屋内レイアウト合成は仮想環境構築に不可欠である。
DisCoは、物理的および意味的な洗練を歪め、調整する新しいフレームワークである。
論文 参考訳（メタデータ） (2025-10-02T16:30:37Z) - Learn to Relax with Large Language Models: Solving Nonlinear Combinatorial Optimization Problems via Bidirectional Coevolution [10.160534429260228]
我々は、コードでリラックスする学習を通じてNCOPの解像度に革命をもたらす、最初のエンドツーエンドの textbf Automated textbfConst textbfOptimization (AutoCO) 手法を導入する。
論文 参考訳（メタデータ） (2025-09-16T03:59:51Z) - A Markovian Framing of WaveFunctionCollapse for Procedurally Generating Aesthetically Complex Environments [5.114029940159893]
手続き的コンテンツ生成は、設計者が指定した目的と、下層のタイルセットによって暗黙的に課される隣接制約の両方を満たす必要があることが多い。
マルコフ決定過程(MDP)としてWaveFunctionCol(WFC)を再構成する
WFC-MDPの最適化と比較して,タスクの複雑性が増大するにつれて,共同最適化は困難である。
論文 参考訳（メタデータ） (2025-09-12T01:51:01Z) - LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。
LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。
LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
論文 参考訳（メタデータ） (2025-08-16T02:00:57Z) - Leveraging Importance Sampling to Detach Alignment Modules from Large Language Models [48.15777554876988]
伝統的なアライメント手法では、しばしば大きな事前訓練されたモデルを再訓練する必要がある。
本稿では,アライメント処理を重要サンプリングの一種として形式化する新しいtextitResidual Alignment Model (textitRAM) を提案する。
本稿では,トークンレベルの復号化を反復的に行う再サンプリングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2025-05-26T08:53:02Z) - Combinatorial Optimization via LLM-driven Iterated Fine-tuning [47.66752049943335]
我々は,Large Language Models (LLMs) を利用して,柔軟で文脈に依存しない制約を最適化に統合する新しい方法を提案する。
本フレームワークは, 局所的制約と厳密なグローバル最適化とのバランスを, ベースラインサンプリング法よりも効率的に行う。
論文 参考訳（メタデータ） (2025-03-10T04:58:18Z) - Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders [1.0124625066746595]
強靭なトポロジー最適化(RTO)問題は、最高の平均性能を持つ設計を特定する。
計算効率を向上するニューラルネットワーク手法を提案する。
本手法の数値解析は,Lブラケット構造のロバスト設計における単一点負荷と複数点負荷について述べる。
論文 参考訳（メタデータ） (2021-07-19T20:40:51Z)
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。