CVPRDec, 2020

Roof-GAN: 学习为住宅生成屋顶几何形状和关系

PDF
TL;DR本文介绍了 Roof-GAN，一种新颖的生成对抗网络，它能够生成住宅屋顶结构的结构几何体系，作为一组屋顶基元及其关系。生成器将基元的数量转换成图形结构，生成一种有结构的屋顶模型，并在完全端到端的体系结构中使用判别器来评估基元栅格几何、基元关系和基元向量几何。我们提出了一种新的度量标准，证明了我们的方法在生成多种多样和逼真的屋顶模型方面的有效性。
generative adversarial networksstructured geometryroof primitivesvector formatend-to-end architecture
发现论文，激发创造
  • House-GAN: 关系型生成对抗网络用于受图形约束的房屋布局生成

    本文提出了一种基于关系架构的新型图约束生成对抗网络，其生成器和鉴别器利用关系结构进行建模，旨在将约束编码到其关系网络的图结构中，将建筑约束作为图形输入，并生成一套轴对齐的房间边框，通过 117000 张实际的平面图像的定量和定性评估表明，该方法优于现有的方法和基线。

    Mar, 2020

  • GAGAN: 几何感知生成对抗网络

    该论文介绍了一种新的图像生成方法，采用几何形状模型将几何信息纳入生成过程，生成出具有任意面部属性的逼真人脸图像。

    Dec, 2017

  • 基于图变换器 GAN 的约束房屋生成

    本文提出了一种基于图 Transformer 的生成对抗网络 (GTGAN)，有效地学习了端到端的图节点关系，尤其针对具有挑战性的基于图约束的房屋生成任务。

    Mar, 2023

  • 使用图掩码建模的图变换生成式对抗网络用于架构布局生成

    通过图 Transformer 生成对抗网络，在图约束的建筑布局生成任务中学习有效的图节点关系，提出了连接节点注意力和非连接节点注意力以及基于节点分类的鉴别器等关键技术，实现了对三个建筑布局生成任务的最新最优结果。

    Jan, 2024

  • House-GAN++：生成对抗布局优化网络

    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

  • 使用对抗网络从图像集合推断三维形状

    通过 projective generative adversarial network（PrGAN）模型，我们可以在无监督学习的情况下，从提供的二维视图中推断出三维形状的概率分布，包括形状、视角和新的视图。

    Jun, 2019

  • 几何生成对抗网络

    该研究揭示了 GAN 模型的几何思想，提出了通过 SVM 分离超平面最大化间隔的几何 GAN，证明了其可以收敛到鞍点，并显示其优越的性能。

    May, 2017

  • 使用生成对抗网络进行交互式 3D 建模

    本文提出利用生成对抗网络（GAN）为新手用户设计真实世界形状，使用具有简单界面的体素网格进行编辑。该方法的主要优势是通过学习投影和生成算子来协助用户创建背景分布对象形状的 3D 模型，同时不必指定所有细节。通过该算法及工具的实验表明 GAN 是计算机辅助交互建模的一种有前途的方法。

    Jun, 2017

  • 高效几何感知的三维生成对抗网络

    使用单视角 2D 照片集合进行高质量多视角一致的图片和 3D 形状的非监督生成一直是一个难题，本文提出了一种混合显式 - 隐式网络架构，用于提高 3D GANs 的计算效率和图像质量，实现了高分辨率实时多视角一致的图像合成，同时产生高质量的 3D 几何体。

    Dec, 2021

  • 使用风格和结构对抗网络进行生成图像建模

    本研究提出了一个解决图像生成的新框架，通过拆分成结构生成和风格生成两个 GAN 组件，使用附加的损失函数和联合学习，该模型可以生成更真实的图像，用于学习无监督的 RGBD 表示。

    Mar, 2016