Oct, 2023

RoomDesigner: 编码锚点潜变量实现风格一致且形状兼容的室内场景生成

PDF
TL;DR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。
indoor scene generationfurniture arrangementsshape priorsanchor-latentstransformer model
发现论文，激发创造
  • SceneFormer：基于 Transformer 模型的室内场景生成

    通过使用 transformers 的自我关注机制来生成室内场景，使得场景的生成速度更快、逼真程度更高，并且方法还具有更高的灵活性，可以根据不同条件进行调整。

    Dec, 2020

  • 形状锚引导的室内场景整体理解

    该论文提出了一种形状锚点引导学习策略（AncLearn）来实现强大的室内场景理解。通过在检测阶段为生成可靠的提案提供可靠的特征，并在重建过程中直接提供具有良好结构的几何先验来降低噪声和离群点，将 AncLearn 嵌入到一种纯实例导向的重建学习系统（AncRec）中，从而以纯粹的实例为导向，生成高质量的语义场景模型。在具有挑战性的 ScanNetv2 数据集上进行的实验证明，基于形状锚点的方法在 3D 目标检测、布局估计和形状重建方面始终达到最先进的性能。

    Sep, 2023

  • 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

  • 生成多样化的室内家具布置

    本研究提出了一种使用生成对抗网络和质量多样性算法生成室内家具布置方案的方法，该方法可针对特定的多样性主题生成不同价格和数量家具件数的排列组合。

    Jun, 2022

  • 带有个性化偏好的室内场景结构规划

    本文提出了一种支持专业室内设计师制作产业室内装饰解决方案并满足业主个性化偏好的辅助模型，其由抽象图提取、条件图生成和条件场景实例化组成，同时提供一个包含来自专业设计师的 11000 个实例设计的室内布局数据集，实验结果表明该模型相对于最先进的方法的效果。

    Aug, 2020

  • LayoutEnhancer: 从不完整数据中生成优秀的室内布局

    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。

    Feb, 2022

  • 通过潜空间定位的领域可扩展非配对图像翻译

    提出了一种新颖的图像生成方法：latent space anchoring，可以实现在不需要调整现有域的编解码器的情况下扩展到新的视觉域，该方法通过学习轻量级编码器和回归器来将不同域的图像锚定到相同的冻结 GANs 的潜在空间中，并且其编码器和解码器可以任意组合进行图像翻译，实验表明，该方法在标准和可伸缩的 UNIT 任务上均表现优异。

    Jun, 2023

  • 一种基于数据驱动的家具和室内场景着色方法

    该文研究了基于数据驱动的方法对 3D 家具模型和室内场景进行着色，并使用互联网上的室内图像进行引导。使用图像引导网格分割将模型分成不同的部分，以提高着色效果，并以马尔可夫随机场模型实现一致的着色方案。实验结果表明，该系统可以产生与室内设计师生成的结果相媲美且具有说服力的结果。

    Feb, 2017

  • FurniScene：一个包含复杂室内家具场景的大规模 3D 房间数据集

    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

  • 动态未访问环境下的潜在布局定位 - LaLaLoc

    LaLaLoc 利用房间布局的潜在表示进行本地化，通过潜在空间中的直接交叉模态姿态优化实现对全景图的细粒度姿态估计，从而在没有先前访问的情况下弥补了其它方法的缺陷，具有鲁棒性和较高的准确性。

    Apr, 2021