論文の概要: TLC-Plan: A Two-Level Codebook Based Network for End-to-End Vector Floorplan Generation

• arxiv url: http://arxiv.org/abs/2602.07100v1
• Date: Fri, 06 Feb 2026 15:36:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.447617
• Title: TLC-Plan: A Two-Level Codebook Based Network for End-to-End Vector Floorplan Generation
• Title（参考訳）: TLC-Plan:エンド・ツー・エンドベクトルフロアプラン生成のための2レベルコードブックベースのネットワーク
• Authors: Biao Xiong, Zhen Peng, Ping Wang, Qiegen Liu, Xian Zhong,
• Abstract要約: 空間入力境界からベクトルを直接合成する階層的生成モデルであるTLC-Planを提案する。 TLC-Planは、グローバルレイアウトをセマンティックラベル付きルームバウンディングボックスとしてエンコードするために、2レベルVQ-VAEを使用している。 実験では、RPLANデータセット上での最先端のパフォーマンスと、LIデータセット上でのリード結果が示されている。
• 参考スコア（独自算出の注目度）: 19.063941053235567
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automated floorplan generation aims to improve design quality, architectural efficiency, and sustainability by jointly modeling global spatial organization and precise geometric detail. However, existing approaches operate in raster space and rely on post hoc vectorization, which introduces structural inconsistencies and hinders end-to-end learning. Motivated by compositional spatial reasoning, we propose TLC-Plan, a hierarchical generative model that directly synthesizes vector floorplans from input boundaries, aligning with human architectural workflows based on modular and reusable patterns. TLC-Plan employs a two-level VQ-VAE to encode global layouts as semantically labeled room bounding boxes and to refine local geometries using polygon-level codes. This hierarchy is unified in a CodeTree representation, while an autoregressive transformer samples codes conditioned on the boundary to generate diverse and topologically valid designs, without requiring explicit room topology or dimensional priors. Extensive experiments show state-of-the-art performance on RPLAN dataset (FID = 1.84, MSE = 2.06) and leading results on LIFULL dataset. The proposed framework advances constraint-aware and scalable vector floorplan generation for real-world architectural applications. Source code and trained models are released at https://github.com/rosolose/TLC-PLAN.
• Abstract（参考訳）: 自動フロアプラン生成は、グローバルな空間的組織と正確な幾何学的詳細を共同でモデル化することで、設計品質、建築効率、持続可能性を改善することを目的としている。 しかし、既存のアプローチはラスター空間で動作し、構造的不整合を導入し、エンドツーエンドの学習を妨げるポストホックベクトル化に依存している。 TLC-Planは,入力境界からベクトルフロアプランを直接合成し,モジュール構造と再利用可能なパターンに基づくヒューマンアーキテクチャのワークフローと整合する階層的生成モデルである。 TLC-Planは、グローバルレイアウトを意味的にラベル付けされたルームバウンディングボックスとしてエンコードし、ポリゴンレベルのコードを使用して局所的なジオメトリを洗練するために、2レベルVQ-VAEを使用している。 この階層はCodeTree表現で統一されているが、自動回帰変換器は境界に条件付きコードをサンプリングし、明示的なルームトポロジや次元事前を必要とせず、多様でトポロジ的に有効な設計を生成する。 大規模な実験では、RPLANデータセット(FID = 1.84, MSE = 2.06)の最先端のパフォーマンスとLIFULLデータセットの先行結果が示されている。 提案するフレームワークは,実世界のアーキテクチャアプリケーションを対象とした制約対応でスケーラブルなベクターフロアプラン生成を推進している。 ソースコードとトレーニングされたモデルはhttps://github.com/rosolose/TLC-PLANで公開されている。

関連論文リスト

• TodoEvolve: Learning to Architect Agent Planning Systems [68.48983335970901]
  TodoEvolveは、タスク固有の計画を自律的に合成し、動的に修正するメタプランニングパラダイムである。 PlanFactoryは異種計画パターンの共通インターフェースを提供する。 TodoEvolveは、経済的なAPIコストとランタイムオーバーヘッドを維持しながら、慎重に設計された計画モジュールを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-08T06:37:01Z)
• FloorplanVLM: A Vision-Language Model for Floorplan Vectorization [15.691267151619442]
  本稿では,ベクトル化を画像条件付きシーケンスモデリングタスクとして再構成する統合フレームワークFloorplanVLMを提案する。 この「ピクセル・ツー・シーケンス」パラダイムは、壁や湾曲した弧のような複雑な接地における正確で全体的な制約満足度を可能にする。
  論文  参考訳（メタデータ） (2026-02-06T08:57:52Z)
• GFLAN: Generative Functional Layouts [1.1458853556386797]
  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。
  論文  参考訳（メタデータ） (2025-12-18T07:52:47Z)
• 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)
• 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)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• 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)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)

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。