Fugu-MT 論文翻訳(概要): Diffusion Transformers for Roof Graph Synthesis and Reconstruction

論文の概要: Diffusion Transformers for Roof Graph Synthesis and Reconstruction

arxiv url: http://arxiv.org/abs/2608.25652v1
Date: Wed, 26 Aug 2026 11:32:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-27 14:15:15.7828
Title: Diffusion Transformers for Roof Graph Synthesis and Reconstruction
Title（参考訳）: ルーフグラフ合成と再構成のための拡散変換器
Abstract要約: RoofDiTは2次元屋根グラフ合成と再構成のための生成フレームワークである。拡散ベースライン上でのグラフ生成精度の向上,フットプリント条件下でのストレートスケルトンに対する好適な性能,および画像誘導再構成法における最高エッジF1を示す。
参考スコア（独自算出の注目度）: 2.721477719641864
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present RoofDiT, a generative framework for 2D roof graph synthesis and reconstruction. Roofs are compactly described as planar graphs of junctions and structural edges, but existing methods often rely on fixed geometric rules or direct reconstruction objectives. RoofDiT instead models roof structures directly as vertex-edge graphs and learns a conditional generative prior over their geometry and connectivity. Our framework follows a two-stage design: a diffusion transformer generates roof vertices, and an edge prediction module infers the corresponding graph topology. To improve geometric fidelity, RoofDiT combines relative geometry-aware attention with footprint and aerial-image conditioning, while using an alignment regularizer to encourage common horizontal, vertical, and diagonal roof patterns. The same model supports unconditional generation, footprint-conditioned synthesis, and image-guided reconstruction by changing the conditioning signal. Experiments show improved graph generation quality over a diffusion baseline, favorable performance against a straight-skeleton prior in the footprint-conditioned setting, and the highest edge F1 among compared methods for image-guided reconstruction.
Abstract（参考訳）: 本稿では,2次元屋根グラフ合成と再構成のための生成フレームワークであるRoofDiTについて述べる。ルーフはコンパクトにジャンクションと構造エッジの平面グラフとして記述されるが、既存の手法は固定された幾何学的規則や直接再構成の目的に依存していることが多い。代わりにRoofDiTは屋根構造を直接頂点エッジグラフとしてモデル化し、その幾何学と接続性について条件付き生成法を学ぶ。拡散変換器は屋根の頂点を生成し,エッジ予測モジュールは対応するグラフトポロジを推定する。幾何学的忠実性を改善するため、RoofDiTは、水平、垂直、斜めの屋根パターンを奨励するためにアライメント正規化器を使用しながら、相対幾何学的注意力とフットプリントと空像条件を組み合わせる。同じモデルは、条件信号を変更することにより、無条件生成、フットプリント条件合成、画像誘導再構成をサポートする。実験の結果,拡散ベースラインよりもグラフ生成品質が向上し,フットプリント条件下でのストレートスケルトンに対する良好な性能が得られた。

関連論文リスト

Stable and Scalable Bundle Adjustment of Holistic 3D Structures [99.03818732955783]
本稿では,3次元コンピュータビジョンのためのBundle Adjustment (BA) の新バージョンを提案する。 BAはカメラ、ポーズ、3Dポイントを共同で最適化するために開発された。グループ誘導測定とクロスフィーチャー・リジェクションにより、古典的な点のみの3次元正規化の空間性を維持する。
論文参考訳（メタデータ） (2026-09-03T16:08:03Z)
Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
論文参考訳（メタデータ） (2026-05-16T12:01:04Z)
HiDiGen: Hierarchical Diffusion for B-Rep Generation with Explicit Topological Constraints [11.721957326448162]
境界表現(B-rep)はCADシステムにおける標準3Dモデリングフォーマットである。 HiDiGenは、幾何モデリングを2つのステージに分離する階層的な生成フレームワークである。実験の結果,HiDiGenは高い性能を示し,新しい,多様な,トポロジカルなCADモデルを生成する。
論文参考訳（メタデータ） (2026-04-03T08:06:51Z)
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)
Aligned Novel View Image and Geometry Synthesis via Cross-modal Attention Instillation [62.87088388345378]
ワーピング・アンド・インペインティング手法を用いて,新しいビューイメージと幾何学生成の整合性を実現する拡散型フレームワークを提案する。手法は、既製の幾何学予測器を利用して、参照画像から見る部分的な幾何学を予測する。生成した画像と幾何の正確なアライメントを確保するために, クロスモーダルアテンション蒸留法を提案する。
論文参考訳（メタデータ） (2025-06-13T16:19:00Z)
SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
論文参考訳（メタデータ） (2024-10-21T15:47:03Z)
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)
Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文参考訳（メタデータ） (2024-01-15T14:36:38Z)
Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
論文参考訳（メタデータ） (2023-09-08T02:44:37Z)
Roof-GAN: Learning to Generate Roof Geometry and Relations for Residential Houses [37.6686237027665]
Roof-GANは、住宅用屋根構造の構造的幾何を屋根原始体の集合として生成する、新しい生成的敵ネットワークである。ジェネレータは、グラフとして構造化された屋根モデルを生成し、1)各ノードの画像としてのプリミティブジオメトリ、2)各エッジのプリミティブコリナー/コプラナー関係、および3)各ノードのベクトル形式のプリミティブジオメトリからなる。判別器は、プリミティブな幾何学、プリミティブな関係、および完全にエンドツーエンドのアーキテクチャにおけるプリミティブなベクトル幾何学を評価するために訓練される。
論文参考訳（メタデータ） (2020-12-17T00:47:57Z)

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。