Sep, 2023

基于布局图的跳跃连接神经网络用于平面图的自动生成

PDF
TL;DR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。
aicomputer visionfloor plan designsskip-connected neural networkslayout graphs
发现论文，激发创造
  • Graph2Plan: 从布局图中学习生成平面图

    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

  • 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

  • 端到端图约束矢量平面图生成与全景细化

    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

  • 全球地图：任意形状城市布局生成

    利用图注意力网络的自动建筑布局生成方法，支持任意道路网络，生成逼真的城市布局，并基于学习先验条件生成，相较先前的布局生成网络表现出卓越性能，为 28 个大城市生成不同建筑形状的布局。

    Jul, 2023

  • LayoutGMN: 结构布局相似性的神经图匹配

    本研究提出了 LayoutGMN，通过利用图形匹配网络（GMN）来预测 2D 布局之间的结构相似性，该网络学习布局度量并使用基于注意力的 GMN 进行三元组网络设置下的神经图匹配。通过在大规模数据集上进行检索实验，特别是对楼层平面图和 UI 设计进行检索实验，我们证明了 LayoutGMN 相对于 IoUs 和其他基线的检索结果更符合人类对结构布局相似性的判断。此外，LayoutGMN 是第一个能够提供结构布局相似性度量和布局元素之间的结构匹配的深度模型。

    Dec, 2020

  • 使用带有房间边界引导的注意力的多任务网络进行深度平面图识别

    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

  • 自动图神经网络

    本研究提出自动设计深层 GNN 的方法，其中添加了新型的跳跃连接以促进特征重用和缓解梯度消失问题，并允许进化算法在演化过程中增加 GNN 层数来生成更深的网络，在 Cora、Citeseer、Pubmed 和 PPI 数据集上实验表明，GNNs 的生成结果具有最先进的性能。

    Nov, 2020

  • iPLAN: 交互式和程序化布局规划

    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

  • 因子图约束下的布局生成

    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

  • Floor-SP: 顺序房间最短路径的反向 CAD 实现平面图

    本文提出了一种新的自动化平面图重建方法，该方法由名为 Floor-SP 的优化问题构成，其中每个房间的坐标下降顺序地解决动态规划以优化楼层图结构，该方法不需要阈值的角点 / 边缘检测，重点在数据项上，引导深度神经网络生成建筑物模型，并通过一系列一致性和模型复杂度项来优化。评估结果表明，该方法比当前最先进的方法具有显著的性能改进

    Aug, 2019