House-GAN：用于图约束房屋布局生成的关系Gans

内容由Nelson Nauata提供，他是“House-GAN：用于图形受限房屋布局生成的关系生成性对抗网络”一文的第一作者。

提出了一种基于图约束的生成式对抗性网络，其生成器和鉴别器均建立在关系体系结构之上。其主要思想是将约束编码到其关系网络的图结构中。我们已经为一个新的房屋布局生成问题演示了所提出的体系结构，其任务是将建筑约束作为一个图(即，房间的数量和类型及其空间邻接)，并产生一组轴向排列的房间边界框。我们用真实感、多样性和与输入图约束的兼容性这三个指标来衡量生成的房屋布局的质量。我们对11.7万幅真实平面图像的定性和定量评估表明，该方法的性能优于现有的方法和基线。

新特点：本文提出了一种新颖的房屋布局生成问题，其任务是以气泡图为输入，生成各种逼真且兼容的房屋布局。房屋布局生成提出了新的挑战：图形作为约束强制执行。我们提出了一种新的产生式模型，称为House-GAN，它使用关系生成器和鉴别器，其中约束被编码到它们的关系神经网络的图结构中。

工作原理：在房屋布局生成问题中，气泡图被表示为一个图，其中1)节点用房间类型编码房间，2)边编码它们的空间邻接关系。房屋布局表示为一组轴对齐的房间边界框。在House-GAN体系结构中，我们使用卷积消息传递神经网络(Conv-MPN)，它与图形卷积网络(GCNS)的不同之处在于：1)节点将房间表示为设计空间中的特征体积(而不是一维潜在向量)；2)卷积更新设计空间中的特征(与多层感知器相反)。该体系结构为布局的合成和邻接约束的验证提供了更有效的高阶推理。

主要观点：本文提出了一个房屋布局生成问题和一个图约束的关系生成对抗性网络作为一个有效的解决方案。我们展示了在我们的房屋布局生成问题中利用空间信息的好处，通过卷积消息传递，而不是文献中最先进的基于GCN的方法。我们相信，本文在房屋布局的计算机辅助设计方面迈出了重要的一步。

幕后：我们的Conv-MPN论文为House-GAN提供了灵感，它已经被证明是一种简单而有效的技术，适用于我们到目前为止测试过的与几何相关的任务。它被接受为CVPR 2020。

我们认为一些挑战是：1)找到有效的和内存高效的解决方案来保存消息传递过程中的空间信息；2)解决对抗性网络当前状态下的潜在限制。我们方法的当前状态仍然处于启用自动房屋布局生成的早期阶段。我们认为，能够包含更现实的架构约束并输出CAD级别的模型将是下一步的关键。

论文House-GAN：用于图约束房屋布局生成的关系生成对抗性网络在arxiv上。单击此处访问项目网站。