3D-FRONT: 带布局和语义的3D家具房间
该研究提出了一种算法,可以从单张全景图像中预测房间布局,不仅适用于全景图像和透视图像,也适用于长方体布局和更一般的布局形式,方法采用基于消失点的图像对齐,预测多个布局元素,并将结果拟合为受限制的曼哈顿布局,速度和准确率都达到了现有全景图像相关算法的较好水平,并可以处理长方体形状和更一般的曼哈顿布局。
Mar, 2018
本文介绍了一种新的人工合成数据集Structured3D,为各种结构化三维建模任务提供大规模照片级真实感图像和丰富的三维结构注释,此外并利用该数据集与真实图像来训练深度神经网络,显著提高了房间布局估计性能。
Aug, 2019
本文提出了一种新颖的自回归变压器架构 ATISS,用于根据房间类型和地板平面自动生成多样而可信的合成室内环境,并通过 3D-FRONT 数据集的实验表明,该模型比现有方法更为逼真,且参数更少、实现和训练更简单,速度更快。
Oct, 2021
Ctrl-Room通过使用文本提示生成具有设计风格布局和高保真纹理的令人信服的3D室内空间,并提供灵活的交互式编辑操作。通过分离布局和外观建模,并使用文本条件扩散模型和控制网络,我们能够轻松地编辑生成的房间模型,而不需要昂贵的编辑特定培训。在Structured3D数据集上的实验证明,我们的方法在从自然语言提示生成更合理、视觉一致和可编辑的3D房间方面优于现有方法。
Oct, 2023
室内场景生成旨在创建与空间合理布局相一致的形状兼容、风格一致的家具摆放。为解决现有方法主要集中于生成可信家具布局而未考虑个别家具细节的问题,我们提出了一个两阶段模型,通过将家具编码为锚定潜在表示法来将形状先验整合到室内场景生成中。通过整合提出的锚定潜在表示法,我们的生成模型能够产生形状兼容和风格一致的家具摆放,并以各种形状合成家具。此外,我们的方法促进了各种人机交互应用,如风格一致的场景补全、物体不匹配修正和可控的物体级编辑。在3D-Front数据集上的实验证明,与现有方法相比,即使没有形状检索,我们的方法也能生成更一致和兼容的室内场景。此外,广泛的消融研究验证了我们在室内场景生成模型中设计选择的有效性。
Oct, 2023
通过以用户定义的三维语义代理房间为中心,结合二维模型生成三维一致的纹理和几何体,实现高质量房间网格的生成,从而使用户能够轻松设计三维房间,无需专业知识。
Dec, 2023
提出了FurniScene,该数据集包含11698个房间和39691个唯一的家具CAD模型,用于室内场景生成的评估基准,同时介绍了一种新的Two-Stage Diffusion Scene Model(TSDSM)用于细粒度的室内场景布局生成,定量和定性评估表明了我们方法在生成高度逼真的室内场景方面的能力。
Jan, 2024
LLplace是一种基于轻量级精细调整的开源LLM Llama3的新颖的3D室内场景布局设计工具,通过用户输入指定房间类型和所需对象来有效生成和编辑3D室内布局,并在提供高质量的3D设计解决方案方面优于现有方法。
Jun, 2024
本研究解决了现有方法缺乏可控性和精确性的问题,提出了Prim2Room框架,通过2D布局条件和3D原始元素检索,实现对房间环境的详细定制。研究中引入适应性视角选择算法和非刚性深度注册方法,提高了生成3D场景的准确性和美观性,为用户提供了便捷的房间设计平台。
Sep, 2024