該研究成果在多個現(xiàn)實場景中有廣泛的應(yīng)用潛力,。在建筑設(shè)計和規(guī)劃方面,,通過自動生成建筑布局,設(shè)計師可以在早期階段快速探索不同的設(shè)計方案,,提高設(shè)計效率和創(chuàng)新性,;在城市規(guī)劃方面,該技術(shù)可以輔助規(guī)劃者生成符合特定要求的城市建筑布局,,考慮交通,、綠化、公共設(shè)施等多種因素,;在建筑施工和項目管理方面,,自動生成的布局圖可以輔助施工管理和監(jiān)督,確保施工按照設(shè)計圖紙進行,;在緊急救援和災(zāi)害響應(yīng)方面,,災(zāi)害發(fā)生后,可快速生成受損建筑的布局圖以幫助救援人員更好地規(guī)劃救援行動,,評估結(jié)構(gòu)穩(wěn)定性,,之于公域空間的管理有長遠價值。
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(luò)(GNNs)和生成對抗網(wǎng)絡(luò)(GANs)生成符合特定圖結(jié)構(gòu)約束的房屋設(shè)計或布局的問題,。在建筑和城市規(guī)劃領(lǐng)域,這種技術(shù)可以用于自動生成滿足特定功能和美學(xué)要求的房屋設(shè)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(luò)(GTGAN),以端到端的方式學(xué)習(xí)有效的圖節(jié)點關(guān)系,,以應(yīng)對頗具挑戰(zhàn)性的圖約束建筑布局生成任務(wù),。
?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(jié)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(guān)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?,F(xiàn)實和預(yù)測圖之間的相對空間關(guān)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(dǎo)預(yù)訓(xùn)練方法:最后,,團隊提出了一種全新自引導(dǎo)預(yù)訓(xùn)練方法用于圖表示學(xué)習(xí),。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(gòu)進行后續(xù)重建,。
該方法顯著提高了模型的學(xué)習(xí)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(wù)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(shù)的優(yōu)越性,。