引入了一种使用深度神经网络和用户参与的生成模型的学习框架，用于自动楼层平面图的生成。

Apr, 2020

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

通过扩散模型生成向量楼层平面图是我们提出的新方法，使用 Transformer 架构和二维坐标的离散和连续去噪处理生成图形门窗等元素并在 RPLAN 数据集上得到了显著的改进

Nov, 2022

这篇论文通过使用 CNN 和 IP 算法，从单一 RGB 图像中推断出室外建筑物的 2D 平面图结构，取得了显著的结果，并提出了可供分享的代码和数据。

Dec, 2019

本研究旨在通过智能手机，利用深度神经网络技术重建室内地图，提出了线上勘测算法 FloorNet 核心思路，即将 RGBD 流图像数据分别经过三个大的神经网络模块来提取特征并同时考虑 3D 与 2D 空间信息，这种方法能够有效提高室内平面图的重建准确性。

Mar, 2018

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

该研究主要讨论了如何使用 Transformer Architecture 来解决 2D 平面图的重建问题，并通过多个数据集的实验证明了其在各方面的优越性。

Nov, 2022

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

本文提出一种从单个室内全景图生成新视角的方法，在使用卷积神经网络提取深层特征和估计深度图的基础上，利用室内场景的布局信息指导目标视角图像的生成，并加入几何约束以提高一致性和鲁棒性。实验结果表明，该方法在小大相机移动下均有较好效果。

Mar, 2021