Feb, 2022

LayoutEnhancer: 从不完整数据中生成优秀的室内布局

PDF
TL;DR提出一种室内布局综合方法，该方法结合了领域专家的知识，如人体工程学等，以及基于 Transformer 架构的数据驱动生成器。通过使用从专家知识中获得的可微标量函数，生成的布局可以被偏置以显示所需的属性，即使这些属性不在数据集中存在。该方法可以改善生成式机器学习的建模，并为设计师和业余爱好者提供创造室内布局的新工具。
indoor layout synthesisdata-driven generative methodsexpert knowledgeergonomicstransformer architecture
发现论文，激发创造
  • LayoutDM：基于 Transformer 的布局生成扩散模型

    该研究探讨了扩散模型在条件布局生成中的潜力，并提出了基于 Transformer 的布局扩散模型 (LayoutDM)，该模型能够产生高质量、具有样本多样性、保真分布覆盖和稳定训练的图形设计布局。

    May, 2023

  • 使用 Transformer 进行高分辨率复杂场景合成

    该论文介绍了一种基于深生成模型的图像合成方法，通过压缩和离散表示学习高频细节和纹理信息，再结合自回归转换模型生成高质量的图像。

    May, 2021

  • 从属性和语义布局学习生成室外场景图像

    探讨利用语义布局和场景属性，通过条件生成对抗网络体系结构生成具有真实感的户外场景图像

    Dec, 2016

  • 语义调色板：使用类别比例引导场景生成

    该研究提出使用基于类比的语义控制生成城市场景的方法，并证明该方法在各项指标和城市场景基准测试中优于现有基线。 此外，作者还证明了用于数据增强的实用性。

    Jun, 2021

  • LayoutTransformer：利用自注意力生成和完成版面

    本论文提出了一种新的框架 LayoutTransformer，可以通过自注意力学习布局元素之间的上下文关系，并在给定领域中生成新的布局，并能够在多个不同数据领域中表现出色。

    Jun, 2020

  • 场景布局的端到端优化

    提出一种基于变分生成模型和场景图条件的端到端场景布局合成方法，并使用可微分渲染模块优化生成的布局。实验表明，该模型可以更精确和多样地进行条件场景合成，并允许从各种输入形式生成样本化场景。

    Jul, 2020

  • 面向视觉文本呈现设计的组合感知图形布局生成对抗网络

    本文提出了一种基于图像元素的深度生成模型 CGL-GAN，并设计了域对齐模块 DAM 来缩小训练和测试输入之间的差距，进而生成符合美感直觉的高质量图形布局。

    Apr, 2022

  • 沉浸式室内场景装饰的条件式 360 度图像合成

    本文提出一种用于 360 度图像的条件场景装饰方法，通过开发 360 度感知的物体布局生成器和生成对抗网络，实现对输入场景的各种家具布局生成，并通过用户研究证实了生成结果中的逼真图像质量和家具布局提供的沉浸式体验。

    Jul, 2023

  • 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

  • 基于版面的图像生成

    Layout2Im 是一种基于布局的图像生成方法，将物体表示分解为指定和不确定部分，并使用卷积 LSTM 编码并解码整个布局，以生成准确且多样化的图像，提高了最佳 Inception 分数 24.66％至 28.57％。

    Nov, 2018