Fugu-MT 論文翻訳(概要): GFLAN: Generative Functional Layouts

論文の概要: GFLAN: Generative Functional Layouts

arxiv url: http://arxiv.org/abs/2512.16275v1
Date: Thu, 18 Dec 2025 07:52:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-19 18:10:31.971158
Title: GFLAN: Generative Functional Layouts
Title（参考訳）: GFLAN: ジェネレーティブ機能レイアウト
Authors: Mohamed Abouagour, Eleftherios Garyfallidis,
Abstract要約: GFLANは、フロアプラン合成を明示的な因子化によって、トポロジカルプランニングと幾何学的実現に再構成する生成フレームワークである。提案手法は,2段階分解の原理を優先して,直接画素間あるいは壁面追跡生成から逸脱する。
参考スコア（独自算出の注目度）: 1.1458853556386797
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automated floor plan generation lies at the intersection of combinatorial search, geometric constraint satisfaction, and functional design requirements -- a confluence that has historically resisted a unified computational treatment. While recent deep learning approaches have improved the state of the art, they often struggle to capture architectural reasoning: the precedence of topological relationships over geometric instantiation, the propagation of functional constraints through adjacency networks, and the emergence of circulation patterns from local connectivity decisions. To address these fundamental challenges, this paper introduces GFLAN, a generative framework that restructures floor plan synthesis through explicit factorization into topological planning and geometric realization. Given a single exterior boundary and a front-door location, our approach departs from direct pixel-to-pixel or wall-tracing generation in favor of a principled two-stage decomposition. Stage A employs a specialized convolutional architecture with dual encoders -- separating invariant spatial context from evolving layout state -- to sequentially allocate room centroids within the building envelope via discrete probability maps over feasible placements. Stage B constructs a heterogeneous graph linking room nodes to boundary vertices, then applies a Transformer-augmented graph neural network (GNN) that jointly regresses room boundaries.
Abstract（参考訳）: 自動フロアプラン生成は、組合せ探索、幾何学的制約満足度、機能設計要求の交差点にある。最近のディープラーニングアプローチは最先端技術を改善しているが、幾何学的インスタンス化よりもトポロジカルな関係の優先、隣接ネットワークによる機能的制約の伝播、局所接続決定からの循環パターンの出現といったアーキテクチャ的推論を捉えるのに苦労することが多い。このような根本的な課題に対処するため, GFLANは, フロアプラン生成を明示的な因子化によって再構成し, トポロジカルプランニングと幾何的実現を実現するための生成フレームワークである。一つの外界境界と正面位置が与えられた場合、本手法は2段階分解の原理を優先して、直接画素間または壁面追跡生成から逸脱する。ステージAでは、2つのエンコーダを持つ特殊な畳み込みアーキテクチャを使用し、不変な空間コンテキストをレイアウト状態から切り離して、実現可能な配置上の離散確率マップを通じて、ビルエンベロープ内の部屋セントロイドを順次割り当てる。ステージBは、部屋ノードを境界頂点にリンクする異種グラフを構築し、次に、部屋の境界を協調的に補強するTransformer-augmented Graph Neural Network (GNN)を適用する。

関連論文リスト

Learning the Structure of Connection Graphs [13.687470962704744]
接続グラフ(CG)は、ネットワークトポロジーと変換を結合することで従来のグラフモデルを拡張し、グローバルな幾何学的一貫性の表現を可能にする。本稿では,ラプラシアン接続と基礎となるラプラシアンをリンクするスペクトル特性を強制する,一貫した仮定の下での最大擬似構造に基づく原理的枠組みを提案する。本稿では,ネットワークトポロジ,エッジウェイト,幾何学的構造を共同推論するブロック最適化手法であるStructured Connection Graph Learning (SCGL)アルゴリズムを紹介する。
論文参考訳（メタデータ） (2025-10-13T10:33:31Z)
Dense Semantic Matching with VGGT Prior [49.42199006453071]
本稿では,VGGTの本質的な強みを,初期の特徴段階を再利用し,後続の特徴段階を微調整し,双方向対応のための意味的頭部を追加することによって維持するアプローチを提案する。提案手法は, 従来のベースラインよりも優れた幾何認識, 整合性, および多様体保存を実現する。
論文参考訳（メタデータ） (2025-09-25T14:56:11Z)
Preserving Topological and Geometric Embeddings for Point Cloud Recovery [43.26116605528137]
我々は、サンプリングおよび復元フェーズを通じてこれらの重要な特性を維持する、textbfTopGeoFormer というエンドツーエンドアーキテクチャを提案する。実験では,従来型および学習型サンプリング/アップ/リカバリアルゴリズムを用いて,環境を包括的に分析する。
論文参考訳（メタデータ） (2025-07-25T09:58:41Z)
GMapLatent: Geometric Mapping in Latent Space [51.317738404571514]
エンコーダ-デコーダAIアーキテクチャに基づくドメイン間の生成モデルは、現実的な画像の生成に大きな注目を集めている。幾何学的マッピングに基づく正準潜在空間表現を導入し、領域間潜在空間を厳密かつ正確に整列する。グレースケールおよびカラー画像の実験は、GMapLatentの有効性、有効性および適用性を検証する。
論文参考訳（メタデータ） (2025-03-30T12:02:36Z)
HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses [52.70183252341687]
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。
論文参考訳（メタデータ） (2025-03-26T07:31:52Z)
GSDiff: Synthesizing Vector Floorplans via Geometry-enhanced Structural Graph Generation [3.78198085695976]
建築のフロアプラン設計は住宅やインテリアの設計に不可欠であり、建築家による手作業によるスケッチのより高速で費用対効果の高い代替手段を提供する。ルールベースおよび学習ベースのアプローチを含む既存の手法は、広範な後処理を伴う設計と制約付き生成の課題に直面している。本稿では,GSDiffと呼ばれる構造グラフ生成によるベクトル設計のための新しい生成フレームワークを提案する。
論文参考訳（メタデータ） (2024-08-29T04:40:31Z)
Optimized Vectorizing of Building Structures with Switch: High-Efficiency Convolutional Channel-Switch Hybridization Strategy [5.563205385450147]
平面グラフ再構築のための高度かつ適応的なシフトアーキテクチャを提案する。 SwitchNNアーキテクチャには、畳み込みニューラルネットワークプロセスにインスパイアされたグループベースのパラメータ共有機構が組み込まれている。本研究は,2次元建築画像からの平面グラフ再構成における,この革新的なアーキテクチャの有効性を実証するものである。
論文参考訳（メタデータ） (2023-06-26T19:49:44Z)
Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文参考訳（メタデータ） (2022-06-06T05:12:48Z)
Sign-Agnostic CONet: Learning Implicit Surface Reconstructions by Sign-Agnostic Optimization of Convolutional Occupancy Networks [39.65056638604885]
畳み込み型ネットワークの符号非依存最適化により暗黙的表面再構成を学習する。この目標をシンプルで効果的な設計で効果的に達成できることを示す。
論文参考訳（メタデータ） (2021-05-08T03:35:32Z)
House-GAN: Relational Generative Adversarial Networks for Graph-constrained House Layout Generation [59.86153321871127]
主な考え方は、制約をリレーショナルネットワークのグラフ構造にエンコードすることである。我々は、新しい住宅レイアウト生成問題に対する提案されたアーキテクチャを実証した。
論文参考訳（メタデータ） (2020-03-16T03:16:12Z)
Local Propagation in Constraint-based Neural Network [77.37829055999238]
ニューラルネットワークアーキテクチャの制約に基づく表現について検討する。本稿では,いわゆるアーキテクチャ制約を満たすのに適した簡単な最適化手法について検討する。
論文参考訳（メタデータ） (2020-02-18T16:47:38Z)

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。