本文提出了一种新的生成模型用于布局生成,其分为三个步骤,通过最新的 transformer architecture 来生成布局元素和计算布局元素之间的约束关系,最后采用有约束的优化方法实现布局优化,并与现有技术进行了对比,证明了我们的方法不需要用户输入、产生更高质量的布局,以及能实现许多新颖的有条件布局生成能力。
Nov, 2020
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
本文提出了基于子图连接图的场景图生成方法,并采用自下而上的聚类方法将整个场景图分解为子图,并用更少的子图和对象特征替换场景图的众多关系表示,以显著降低中间阶段的计算。采用空间加权消息传递和空间敏感关系推理模块,维护空间信息以促进关系识别,该方法在视觉关系检测和视觉基因组数据集中均优于现有最先进的方法。
Jun, 2018
本文提出了一种基于 Transformer 框架的生成布局模型,可以灵活地融合设计语义,支持用户隐式或显式地指定元素排列约束,并展示了该模型在单模型下可以生成真实的布局。
Aug, 2021
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
本文介绍了如何使用图神经网络来学习从低级因子图中推断出的高级语义关系概念,提出了一个可以更准确、更高效地推断房间实体及其与映射墙面的关系的方法,同时演示了如何引入墙面的语义概念及其与墙面的关系。该方法已经集成到 S-Graphs + 中,并在模拟和实际数据集上进行了验证。我们将提供包含该软件的 Docker 容器供科学界使用。
Sep, 2023
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
本文提出了一种新的混合模型,将因子图神经网络与置信传播结合起来,通过每一次迭代交替地运行,从而在误差纠正编码任务方面优于置信传播。
我们提出了一种能够有效捕捉高阶关系进行推理和学习的因子图神经网络模型,并通过适当选择信息聚合操作,实现了 Max-Product 和 Sum-Product 循环置信传播的单一架构。通过在真实和合成数据集上进行广泛的实验评估,证明了该模型的潜力。
Aug, 2023
本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化,用于处理三维空间中多个移动物体的跟踪问题,并展示了在 KITTI 跟踪数据集上实验的表现。
Aug, 2020