本文提出了一种基于向量序列而非图片格式生成楼层平面图的方法,并详细介绍了一个基于图卷积网络这一新颖框架的二阶段流程,最终在实际数据集上取得了最佳的表现。
Jul, 2022
利用 AI 和计算机视觉技术的发展,本论文提出了一种新颖的方法,通过跳跃连接神经网络与布局图结合,实现了自动和高效的楼层平面设计。通过跳跃连接层捕获多尺度的楼层平面信息,并通过编码器 - 解码器网络与图神经网络支持像素级概率生成。在 MSD 数据集上进行验证后,我们的方法在 ICCV 第 1 届 CVAAD 研讨会挑战中获得了 56.6 的 mIoU 分数。代码和预训练模型可在此网址公开获取。
Sep, 2023
通过因子图神经网络的消息传递,根据用户需求生成符合要求的户型设计,实现了在空间约束下对象中心化的布局生成。
Mar, 2024
iPLAN 是一种新的人在环路生成模型,结合了自动生成布局和人工设计,通过在整个过程中与设计师互动,使人类和人工智能逐步共同发展模糊的想法成为最终设计,其拥有在面对未见过的设计任务和有限的训练数据时,产生类似于人类设计师布局的高保真度、接受设计师输入并相应地提供设计建议的强大灵活性和通用性。
Mar, 2022
通过一种基于生成对抗网络的自动化平面图生成方法,使用基于图的相关生成对抗网络和条件生成对抗网络的集成,并在迭代布局细化过程中使用之前生成的布局作为下一个输入约束。该研究提出了一种名为组件方式 GT 调节的简单非迭代训练过程,有效地学习这样的生成器,通过元优化技术控制迭代布局优化过程中传递哪些输入约束的时间,从而进一步提高所选指标。基于三种标准指标的定性和定量评估显示:所提出的系统在当前最先进技术水平上取得了重大进展,甚至可以与由专业建筑师设计的地面平面图媲美。
Mar, 2021
本文提出了一种利用深度神经网络进行多任务学习的方法,设计了一种可以识别平面图中各种元素的模型,并使用空间上下文模块中的房间边界引导注意力机制,以增强模型的准确率。
Aug, 2019
本文提出了一种新的生成模型用于布局生成,其分为三个步骤,通过最新的 transformer architecture 来生成布局元素和计算布局元素之间的约束关系,最后采用有约束的优化方法实现布局优化,并与现有技术进行了对比,证明了我们的方法不需要用户输入、产生更高质量的布局,以及能实现许多新颖的有条件布局生成能力。
Nov, 2020
本文提出了一种利用神经设计网络 (NDN) 生成满足用户指定约束条件的设计布局的方法,被实验评估证明生成的设计布局与真实设计布局非常相似,并且在布局推荐方面具有实际应用价值。
Dec, 2019
本文提出了使用图卷积网络 (GCN) 估算房屋平面图地产价值的模型,并通过租金精度的比较验证了该模型的准确性,还分析了 GCN 学习得到的房屋平面图特征以及影响房屋平面图价值的空间配置规则。
Mar, 2023
本文提出了一种基于深度生成学习和人类指导的深层次生成模型来解决传统城市规划中的一些局限性,通过标记实现从目标区域到分区再到网格的三级生成过程,包括感知规划需求、功能投影和多关注模型等来生成网格水平的土地利用配置。
Dec, 2022