論文の概要: Space Syntax-guided Post-training for Residential Floor Plan Generation
- arxiv url: http://arxiv.org/abs/2602.22507v1
- Date: Thu, 26 Feb 2026 00:54:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-27 18:41:22.459273
- Title: Space Syntax-guided Post-training for Residential Floor Plan Generation
- Title（参考訳）: 住宅床計画作成のための空間構文誘導ポストトレーニング
- Authors: Zhuoyang Jiang, Dongqing Zhang,
- Abstract要約: Space Syntax-Guided Post-Training (SSPT) は、空間構文知識を微分不可能なオラクルを介してフロアプラン生成に注入するポストトレーニングパラダイムである。
SSPTは, (i) 空間合成フィルタと拡散微細チューニングによる反復的再トレーニング, (ii) 空間合成報酬を用いたPPOによる強化学習の2つの戦略でインスタンス化される。
- 参考スコア（独自算出の注目度）: 2.725570167340574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pre-trained generative models for residential floor plans are typically optimized to fit large-scale data distributions, which can under-emphasize critical architectural priors such as the configurational dominance and connectivity of domestic public spaces (e.g., living rooms and foyers). This paper proposes Space Syntax-guided Post-training (SSPT), a post-training paradigm that explicitly injects space syntax knowledge into floor plan generation via a non-differentiable oracle. The oracle converts RPLAN-style layouts into rectangle-space graphs through greedy maximal-rectangle decomposition and door-mediated adjacency construction, and then computes integration-based measurements to quantify public space dominance and functional hierarchy. To enable consistent evaluation and diagnosis, we further introduce SSPT-Bench (Eval-8), an out-of-distribution benchmark that post-trains models using conditions capped at $\leq 7$ rooms while evaluating on 8-room programs, together with a unified metric suite for dominance, stability, and profile alignment. SSPT is instantiated with two strategies: (i) iterative retraining via space-syntax filtering and diffusion fine-tuning, and (ii) reinforcement learning via PPO with space-syntax rewards. Experiments show that both strategies improve public-space dominance and restore clearer functional hierarchy compared to distribution-fitted baselines, while PPO achieves stronger gains with substantially higher compute efficiency and reduced variance. SSPT provides a scalable pathway for integrating architectural theory into data-driven plan generation and is compatible with other generative backbones given a post-hoc evaluation oracle.
- Abstract（参考訳）: 住宅フロア計画のための事前訓練された生成モデルは、通常、大規模なデータ分布に適合するように最適化されており、構成上の優位性や国内公共空間(例えば、リビングルームやファイヤー)の接続性といった重要なアーキテクチャ上の先例を強調している。
本稿では,空間構文知識をフロアプラン生成に非微分可能オラクルを介して明示的に注入するポストトレーニングパラダイムである空間構文誘導ポストトレーニング(SSPT)を提案する。
オラクルは、RPLANスタイルのレイアウトを、ゆるやかな最大長方形分解とドア経由の隣接構造を通じて矩形空間グラフに変換し、統合に基づく測定を計算し、公共空間の優位性と機能的階層を定量化する。
さらに,一貫した評価と診断を可能にするため, SSPT-Bench (Eval-8) を導入し, 8室のプログラムで評価しながら, 約$\leq 7$の条件でモデルを後処理し, 支配性, 安定性, プロファイルアライメントを統一したメトリスイートを導入する。
SSPTは2つの戦略でインスタンス化される。
一 空間合成フィルタリング及び拡散微調整による反復的再訓練及び
(II)空間合成報酬を用いたPPOによる強化学習。
実験の結果,PPOは計算効率を著しく向上し,分散度を低減し,より高利得を達成する一方,公共空間の優位性と機能的階層の復元は分布に適合したベースラインよりも容易であることがわかった。
SSPTは、アーキテクチャ理論をデータ駆動型プラン生成に統合するためのスケーラブルな経路を提供する。
関連論文リスト
- TLC-Plan: A Two-Level Codebook Based Network for End-to-End Vector Floorplan Generation [19.063941053235567]
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。
論文 参考訳（メタデータ） (2026-02-06T15:36:50Z) - 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) - Joint Partitioning and Placement of Foundation Models for Real-Time Edge AI [43.38839324900098]
本稿では,基礎モデルの空間配置と内部セグメント化の両方を,実行時解決構造に高める枠組みを提案する。
我々は6Gマルチアクセスエッジコンピューティングにおける代表的なユースケースとともに、アーキテクチャとアルゴリズムのコンポーネントを紹介する。
論文 参考訳（メタデータ） (2025-11-30T19:16:30Z) - Regularizing Subspace Redundancy of Low-Rank Adaptation [54.473090597164834]
本稿では、マッピング部分空間間の冗長性を明示的にモデル化し、低ランク適応のサブスペース冗長性を適応的に正規化する手法であるReSoRAを提案する。
提案手法は、視覚言語検索や標準的な視覚分類ベンチマークにおいて、様々なバックボーンやデータセットにまたがる既存のPETL手法を一貫して促進する。
トレーニングの監督として、ReSoRAは追加の推論コストなしで、プラグイン・アンド・プレイ方式で既存のアプローチにシームレスに統合することができる。
論文 参考訳（メタデータ） (2025-07-28T11:52:56Z) - Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。
近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。
本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
論文 参考訳（メタデータ） (2025-06-12T16:43:09Z) - HouseTune: Two-Stage Floorplan Generation with LLM Assistance [10.558141230827847]
本稿では,大規模言語モデルの推論能力と拡散モデルの生成能力を組み合わせた2段階のテキスト・ツー・フロアプラン・フレームワークを提案する。
実験結果から,本手法は全指標の最先端性能を実現し,実用的ホームデザインアプリケーションにおける有効性を検証した。
論文 参考訳（メタデータ） (2024-11-19T06:57:45Z) - A Simple and Generalist Approach for Panoptic Segmentation [57.94892855772925]
本稿では,深部エンコーダ-浅部デコーダアーキテクチャに基づく簡易な一般化フレームワークを提案する。
これはトレーニング中の不均衡に起因することを示し、その削減のための新しい方法を提案する。
提案手法は,MS-COCOデータセット上で55.1のPQを実現する。
論文 参考訳（メタデータ） (2024-08-29T13:02:12Z) - Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。
GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2022-08-25T12:33:31Z) - Differentiable Spatial Planning using Transformers [87.90709874369192]
本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。
エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。
SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
論文 参考訳（メタデータ） (2021-12-02T06:48:16Z) - HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。
本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。
4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-30T14:27:50Z)
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。