House-GAN 论文阅读

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 algorithm），来生成向量图形式，并转换为气泡图。气泡图是一张图，节点是一个以房间类型为属性的房间。如果边界框之间的曼哈顿距离小于8像素，就连接两个房间。输出的房间布局是轴对齐的边界框。