江苏龙网

  1. 首页 > 资讯 > 科技 > >

「」房屋设计耗时耗力耗钱？图约束的生成对抗网络帮你解决( 二 )


「」房屋设计耗时耗力耗钱？图约束的生成对抗网络帮你解决
本文插图

房屋关系布局生成器（顶部）和鉴别器（底部） ， 其中 ConvMPN 是核心架构 。
生成器获取每个房间的噪声矢量和气泡图 ， 之后以每个房间轴对齐的形式生成房屋布局图 。 气泡图以图像形式表示 ， 其中节点表示房间类型 ， 而边缘表示空间邻接 。 更进一步讲 ， 每个房间会生成一个矩形 ， 并且两个具有边缘的房间必须在空间层面相邻（例如曼哈顿的距离应小于 8 像素） 。
输入图：给定一个气泡图形成 Conv-MPN ， 其关系结构图与气泡图相同 。 研究者为每个房间生成一个节点 ， 并使用从正态分布中采样的 128-d 噪声向量进行初始化 ， 并与 10-d 房间类型向量-→tr（独热编码）进行连接 。 r 是房间的索引 。 结果是 138-d 向量?→gr：
「」房屋设计耗时耗力耗钱？图约束的生成对抗网络帮你解决
本文插图

Conv-MPN 将特征作为 3D 张量存储在输出的设计空间中 。 研究员应用共享的线性层将-→gr 扩展为（8×8×16）特征量 g l = 1 r 。 （l = 1）表示该特征适用于第一个 Conv-MPN 模块 ， 而该模块将被采样两次 ， 以便在随后的 g l = 3 r 中变为（32×32×16）特征量 。
Conv-MPN /上采样：Conv-MPN 模块通过卷积消息的传递从而更新房间智能特征量图 [26] 。 更精确地讲 ， 团队通过以下方式更新 g l r：1）图中连接的各个房间之间有一个汇总池特征；2）在未连接的房间之间会连接汇总池的功能；3）应用 CNN：
「」房屋设计耗时耗力耗钱？图约束的生成对抗网络帮你解决
本文插图

N（r）和 N（r）分别表示已连接和未连接的房间集 。 团队使用转置卷积（内核= 4 ， 步幅= 2 ， 填充= 1）将特征上采样扩充至 2 倍 ， 同时保持通道数 。 生成器上具有两轮 Conv-MPN 和上采样 ， 使得最终特征量为 g l = 3 r 的大小（32×32×16） 。
输出布局：共享的三层 CNN 将特征量转换为大小为（32×32×1）的房间分割蒙版 。 分割蒙版的图形将在训练期间传递给鉴别器 。 在测试时 ， 房间蒙版（tanh 函数的输出范围为 [-1 ， 1]）而阈值设置为 0.0 ， 团队为每个房间拟合了最紧密的轴对齐矩形从而生成房屋布局 。
实验结果
从现实实用性角度来看 ， 团队对 12 名研究生和 10 种专业建筑师进行了调研 。 每一个受访者都对比了以五种不同的方式从真实生活中所采样的 6 种类型的布局图 ， 同时将这 6 种类型进行两两对比 ， 形成 15 种对比组合 ， 共计 75 次对比 。
「」房屋设计耗时耗力耗钱？图约束的生成对抗网络帮你解决
本文插图

表 3 显示 House-GAN 拥有了最高的总用户评分 。
「」房屋设计耗时耗力耗钱？图约束的生成对抗网络帮你解决
本文插图

图 5 显示了成对的比较结果 。
对于每对方法 ， 团队将两种维度的得分进行了比较 ， 计算它们的平均得分 ， 并取其差值 。 如果受访者总是对一种方法选择「更好」 ， 则差异为 2.0 。 从另一方面说 ， 如果差异分为 1.0（例如 ， 学生对 GCN 的评分为 12） ， 则表示该方法的一半被评为「better」 ， 一半被评为「equally X」 。
事实表明 ， 不管是学生还是建筑师都将 House-GAN 评为除 ground truth 外最为现实的选择 。
「」房屋设计耗时耗力耗钱？图约束的生成对抗网络帮你解决
本文插图

图 6 也同样定性地支持了相同的结论 ， House-GAN 效果最优 。
【「」房屋设计耗时耗力耗钱？图约束的生成对抗网络帮你解决】不仅如此 ， 除了在现实生活中的实用性之外 ， 团队还根据不同的环境对模型的「多样性」「兼容性」进行了多维度的评估 ， 效果非常不错 ， 感兴趣的朋友可以参考论文原文 。


推荐阅读


上一篇：斑马消费@瑞幸冲击波之下，神州系能否过关？

下一篇：「小米」小米10冲击高端能成吗？对比华为P40Pro，这差距过分了！