House-GAN: нейросеть генерирует планировку дома по графу соседства комнат

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


House-GAN — это нейросетевая генеративно-состязательная модель, которая на основе графа с расположением частей дома генерирует множество возможных планировок дома.

Основная идея в House-GAN заключается в том, что бы кодировать ограничения для модели в формате графа связей различных частей дома. В графе кодируется такая информация, как количество комнат, их типы и их пространственное соседство. Исследователи измеряли качество модели на 117 тысячах изображений реальных планировок с помощью трех метрик: реалистичность, разнообразие и соответствие входному графу. По количественным и качественным метрикам, House-GAN обходит существующие подходы и базовые модели. 

Схема работы модели

Процесс обучения модели

Исследователи обучали модель на изображениях реальных планов этажей из датасета LIFULL HOME. Из оригинального датасета отобрали 117,587 планов этажей. Из изображений исследователи сгенерировали графы соседства комнат с помощью алгоритма векторизации плана этажа. Комнаты считаются соседствующими, если Манхэттенское расстояние между их границами меньше 8 пикселей. В основе архитектуры модели лежит сверточная модель Conv-MPN.

Изображение генератора и дискриминатора модели

Оценка работы модели

Чтобы оценить качество работы модели, исследователи использовали три количественные метрики:

  • Реалистичность через опрос архитекторов;
  • Разнообразие, которое измеряли с помощью FID скора;
  • Соответствие сгенерированного изображения входному графу, которое измеряли с помощью расстояния редактирования

HouseGAN сравнивали с двумя базовыми и двумя альтернативными подходами. Ниже видно, что предложенный подход обходит конкурирующие модели в большинстве случаев. 

Сравнение с конкурирующими моделями. Синий — первое по метрикам место, оранжевый — второе, а розовый — третье

Источник: neurohive.io

Комментарии: