論文の概要: Fluid Grey 2: How Well Does Generative Adversarial Network Learn Deeper Topology Structure in Architecture That Matches Images?
- arxiv url: http://arxiv.org/abs/2511.17643v1
- Date: Thu, 20 Nov 2025 00:27:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.3218
- Title: Fluid Grey 2: How Well Does Generative Adversarial Network Learn Deeper Topology Structure in Architecture That Matches Images?
- Title（参考訳）: Fluid Grey 2: 生成的敵対ネットワークは、画像にマッチするアーキテクチャにおいて、より深いトポロジー構造をどの程度学べるか?
- Authors: Yayan Qiu, Sean Hanna,
- Abstract要約: 本稿では,pix2pixが空間的トポロジカルな関係を自動的に学習し,それらを建築設計に適用できることを実証する。
トポロジ的視点から画像ベース生成GANの性能を検出する際のギャップを埋める。
2つの検出モジュールは、同じトポロジ構造を持つ画像データセットをカスタマイズするために広く使用することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Taking into account the regional characteristics of intrinsic and extrinsic properties of space is an essential issue in architectural design and urban renewal, which is often achieved step by step using image and graph-based GANs. However, each model nesting and data conversion may cause information loss, and it is necessary to streamline the tools to facilitate architects and users to participate in the design. Therefore, this study hopes to prove that I2I GAN also has the potential to recognize topological relationships autonomously. Therefore, this research proposes a method for quickly detecting the ability of pix2pix to learn topological relationships, which is achieved by adding two Grasshopper-based detection modules before and after GAN. At the same time, quantitative data is provided and its learning process is visualized, and changes in different input modes such as greyscale and RGB affect its learning efficiency. There are two innovations in this paper: 1) It proves that pix2pix can automatically learn spatial topological relationships and apply them to architectural design. 2) It fills the gap in detecting the performance of Image-based Generation GAN from a topological perspective. Moreover, the detection method proposed in this study takes a short time and is simple to operate. The two detection modules can be widely used for customizing image datasets with the same topological structure and for batch detection of topological relationships of images. In the future, this paper may provide a theoretical foundation and data support for the application of architectural design and urban renewal that use GAN to preserve spatial topological characteristics.
- Abstract（参考訳）: 空間の内在的・外在的性質の地域特性を考慮することは、建築設計や都市再生において重要な問題であり、画像とグラフに基づくGANを用いて段階的に達成されることが多い。
しかし、各モデルネストやデータ変換は情報損失を引き起こす可能性があり、アーキテクトやユーザが設計に参加できるようにツールを合理化する必要がある。
そこで本研究では,I2I GANがトポロジカルな関係を自律的に認識する能力を持つことを実証する。
そこで本研究では,GAN前後に2つのGrasshopperベースの検出モジュールを追加することにより,トポロジカルな関係を学習するピクセルを迅速に検出する手法を提案する。
同時に、定量的データを提供し、その学習プロセスを可視化し、グレースケールやRGBなどの異なる入力モードの変化がその学習効率に影響を与える。
この論文には2つの革新がある。
1) pix2pixは空間的トポロジカルな関係を自動的に学習し,それらを建築設計に適用できることを示す。
2) トポロジカル視点から画像ベース生成GANの性能を検出する際のギャップを埋める。
さらに,本研究で提案する検出法は短時間で操作が簡単である。
2つの検出モジュールは、同じトポロジ構造を持つ画像データセットのカスタマイズや、画像のトポロジ的関係のバッチ検出に広く使用することができる。
本稿では,GANを空間的トポロジ的特性の保存に用いる建築設計と都市再生の応用のための理論的基盤とデータサポートを提供する。
関連論文リスト
- History Matching under Uncertainty of Geological Scenarios with Implicit Geological Realism Control with Generative Deep Learning and Graph Convolutions [0.10923877073891446]
グラフベースの変分オートエンコーダは、異なる地質学的シナリオの不確実性を扱うことができるアーキテクチャを表す。
我々はPCA, t-SNE, TDAなどのツールを用いて, 潜伏空間の詳細な解析を行い, その構造を説明する。
論文 参考訳（メタデータ） (2025-07-14T12:14:17Z) - Conformable Convolution for Topologically Aware Learning of Complex Anatomical Structures [38.20599800950335]
トポロジ的一貫性を明示するために設計された新しい畳み込み層であるConformable Convolutionを紹介する。
Topological Posterior Generator (TPG)モジュールは、重要なトポロジ的特徴を特定し、畳み込み層をガイドする。
本稿では,構造物の相互接続性維持が重要となるセグメンテーション作業におけるフレームワークの有効性を示す。
論文 参考訳（メタデータ） (2024-12-29T22:41:33Z) - Interpretable deformable image registration: A geometric deep learning perspective [9.13809412085203]
解釈可能な登録フレームワークを設計するための理論的基盤を提示する。
粗い方法で変換を洗練するエンドツーエンドのプロセスを定式化します。
我々は、最先端のアプローチよりもパフォーマンスの指標が大幅に改善されたと結論付けている。
論文 参考訳（メタデータ） (2024-12-17T19:47:10Z) - Benchmarking Spatial Relationships in Text-to-Image Generation [102.62422723894232]
本研究では,オブジェクト間の空間的関係を正確に生成するテキスト・ツー・イメージモデルについて検討する。
画像中にテキストで記述された空間関係がどれだけ正確に生成されるかを測定する評価指標であるVISORを提案する。
我々の実験では、最先端のT2Iモデルは高画質であるが、複数のオブジェクトを生成できる能力や、それらの間の空間的関係が著しく制限されていることが判明した。
論文 参考訳（メタデータ） (2022-12-20T06:03:51Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z) - PetroGAN: A novel GAN-based approach to generate realistic, label-free
petrographic datasets [0.0]
本研究では,GAN(Generative Adversarial Network)に基づく新しいディープラーニングフレームワークを開発し,最初のリアルな合成石油写真データセットを作成する。
トレーニングデータセットは、平面光と横偏光の両方で岩石の薄い部分の10070枚の画像で構成されている。
このアルゴリズムは264のGPU時間で訓練され、ペトログラフ画像のFr'echet Inception Distance(FID)スコアが12.49に達した。
論文 参考訳（メタデータ） (2022-04-07T01:55:53Z) - A naive method to discover directions in the StyleGAN2 latent space [0.0]
本稿では,画像のリアルな顔を生成することが可能なGANアーキテクチャであるStyleGAN2の出力を制御するために,インバージョンプロセスをどのように簡単に利用することができるかを示す。
本稿では,CelebA-HQデータベースから抽出した画像に提案手法を適用した結果を示す。
論文 参考訳（メタデータ） (2022-03-19T18:43:16Z) - Neural Topological SLAM for Visual Navigation [112.73876869904]
意味論を生かし、近似幾何学的推論を行う空間のトポロジ的表現を設計する。
本稿では,ノイズのあるアクティベーションの下でそのような表現を構築し,維持し,使用することができる教師付き学習ベースアルゴリズムについて述べる。
論文 参考訳（メタデータ） (2020-05-25T17:56:29Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z)
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。