House-GAN: Relational Generative Adversarial Networks for Graph-constrained House Layout Generation
摘要
图1:House-GAN是基于关系生成对抗网络的新型图约束房屋布局生成器。 气泡图作为输入自动生成多个房屋布局选项。
本文提出了一种新的图约束生成对抗网络,其生成器和判别器建立在关系架构上。主要思想是将约束编码进关系网络的图结构中。作者证明了针对新房屋布局生成问题提议的架构,任务主要是将架构约束作为一张图(即具有空间关系的房间的数量和类型)并生成一组轴对齐的房间的边界框。作者使用三个指标衡量了生成的房屋布局的质量:真实性、多样性和输入图(气泡图)约束的兼容性。作者对117000多张真实平面图进行了定性和定量的评估。结果显示,所提出的方法优于现有方法和基准。作者最终公开所有代码和数据。
关键词
GAN、图约束、布局、生成、平面图
简介
图2:使用House-GAN进行平面布置图设计工作流。系统的输入是一个气泡图,它编码了高级体系结构约束。House-GAN学习在气泡图约束下生成一系列逼真的房屋布局。建筑师将布局转换为真实的平面图。
房屋设计是一个昂贵且费时的迭代过程。一个标准的工作流是:
1、绘制“气泡图”以说明房间的数量及他们的类型和连接关系。
2、指定相应的平面图,收集顾客反馈。
3、恢复到气泡图进行细化。
4、迭代上面的步骤。
在预算和时间有限的情况下,建筑师及其客户经常需要在设计质量上做出妥协。因此,在建筑,结构和房地产行业中,对自动平面布置图生成技术的需求巨大,并且潜力巨大。
House-GAN:
输入:气泡图(其中结点使用房间类型对房间编码,边使用房间的空间相邻性进行编码)
输出:现实且兼容的房屋布局(轴向对齐的边界框)
房屋布局带来了新的挑战:要把照片强制转换为约束。
作者提出了一个新的模型House-GAN,它具有一个关系生成器和一个判别器,这样约束可以被编码进它们的关系神经网络中的图像结构。而且作者使用卷积信息传递神经网络(Conv-MPN)而不是GCNs,因为:
1、结点将表示为一个房间的特征向量(而不是一维潜向量)
2、卷积更新设计空间中的特征(而不是多层感知器)
,该体系结构能够更有效地进行高阶推理,以构成布局并验证邻接约束。
布局问题相关
数据集
LIFULL HOME包含了500万张实际平面图,从中选取了117587张,统一缩放到256*256。由于该数据集不包含气泡图,作者使用了平面图向量化算法(floorplan vectorization algorith