團隊所提出GTGAN++在房屋布局生成方面的概覽

以下為論文原文摘錄。

圖約束的房屋生成問題是一種利用圖神經(jīng)網(wǎng)絡（GNNs）和生成對抗網(wǎng)絡（GANs）生成符合特定圖結構約束的房屋設計或布局的問題,。在建筑和城市規(guī)劃領域,，這種技術可以用于自動生成滿足特定功能和美學要求的房屋設計。在該研究項目中,，邵嶺博士及其團隊提出了一種全新的Graph Transformer生成對抗網(wǎng)絡（GTGAN）,，以端到端的方式學習有效的圖節(jié)點關系，以應對頗具挑戰(zhàn)性的圖約束建筑布局生成任務,。

?Graph Transformer編碼器：團隊所提出的基于Graph Transformer的生成器包含一個全新的Graph Transformer編碼器,，該編碼器在Transformer中結合了圖卷積和自注意力機制，以模擬連接和非連接圖節(jié)點的局部和全局交互,。

?連接和非連接節(jié)點注意力機制：所提出的連接節(jié)點注意力（Connected Node Attention, CNA）和非連接節(jié)點注意力（Non-connected Node Attention, NNA）分別旨在捕獲輸入圖中連接節(jié)點和非連接節(jié)點的全局關系,。

?圖建模模塊：所提出的圖建模塊Graph Modeling Block, GMB）旨在利用基于房屋布局拓撲的局部頂點交互。

?基于節(jié)點分類的判別器：團隊還提出了一種新的基于節(jié)點分類的判別器,，以保留不同房屋組件的高級語義和區(qū)分節(jié)點特征,。

?基于圖的循環(huán)一致性損失：為確保現(xiàn)實和預測圖之間的相對空間關系,，團隊還提出了一種新的基于圖的循環(huán)一致性損失,。

?自引導預訓練方法：最后，團隊提出了一種全新自引導預訓練方法用于圖表示學習,。這種方法涉及以較高的掩蔽比例（即40%）同時掩蔽節(jié)點和邊,，并使用非對稱的圖中心自編碼器架構進行后續(xù)重建。

該方法顯著提高了模型的學習效率和速度。在實驗階段,，團隊在三個公共數(shù)據(jù)集上對GTGAN進行了測試,，驗證了其在房屋布局生成、房屋屋頂生成和建筑布局生成等任務中的有效性,。通過客觀的量化評分和主觀的視覺真實性評估,，證明了所提出方法相較于現(xiàn)有技術的優(yōu)越性。