三维建筑形式的生成 Graph Convolutional Network

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

• 前言
• 一、简介
• 二、方法
  • 1.General
  • 2.Linguistic
• 结果
• 总结

---

前言

传统上，建筑师通过透视效果图和标准化的二维图纸来表达他们对三维建筑形式设计的想法。然而，由于建筑设计总是多维的、错综复杂的，很难通过简单的语言描述让别人理解设计意图、具体形式，甚至是空间布局。受益于机器学习的快速发展，特别是自然语言处理和卷积神经网络，本文提出了一个基于语言的建筑形式生成模型（LAFGM），它可以被训练来进行三维建筑形式的预测，而仅仅是基于语言输入。
已经有一些相关的工作，其中一些侧重于学习文本到图像的生成，而另一些则进一步从描述中生成简单的形状。然而，这些作品的文本解析和输出要么仍然停留在二维阶段，要么局限于单一的几何图形。在这些工作的基础上，本文使用斯坦福场景图解析器（Sebastian等人，2015）和图卷积网络（Thomas等人，2017）来编译输入文本的分析性语义结构
为输入文本编译分析语义结构，然后生成语言描述所表达的三维建筑形式，这也得到了一些优化算法的帮助。在一定程度上，训练结果接近了它们在描述中应有的三维形式，这不仅表明LAFGM从语言输入到三维建筑形式的巨大潜力，而且也创新了有关三维空间信息的设计表达和交流。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、简介

在建筑设计的过程中，从最初的构思开始，经过反复推敲，到最后的完成，建筑师总是习惯于用二维图纸（平面图、剖面图等）或三维模型（数字效果图、实物模型等）来表达他们的设计意图。在遇到分享建筑理论或思想、明确设计要求、甚至从审查者那里获得反馈的交流时，在这些场景中，不可避免地要通过语言文字和口头描述来相互传递信息。
然而，文字所传达的内容总是抽象的，甚至是晦涩的，这就导致了语言和阅读能力的高门槛。特别是对于建筑项目和研究，设计师会要求自己的文字描述能够准确地表达设计意图和构思，同时又要尽力从其他文献资料中吸收设计思想和内涵。
在过去的几十年里，人工智能领域
的研究一直在探索对人类思维逻辑的模仿，而其中的一个基本分支--自然语言处理（NLP），正在逐渐显现出它在建立自然语言和物理空间信息之间联系的巨大潜力。受益于
受益于卷积神经网络（Krizhevsky等人，2012年）和生