建筑体积设计生成中的图形条件与GAN网络的应用

11956Building-GAN：图形条件下的建筑体积设计生成Kai-Hung Chang*1 Chin-Yi Cheng*1 Jieliang Luo1 Shingo Murata2 Mehdi Nourbakhsh1 YoshitoTsuji21 Autodesk Research，美国，2Obayashi AI Design Lab，日本摘要体积设计是专业建筑设计的第一步，也是关键的一步，建筑师不仅要描绘建筑的粗略三维几何形状，还要指定程序来形成每个楼层的二维布局。虽然单层建筑的二维布局生成已经得到了广泛的研究，但对于多层建筑还没有成熟的方法本文着重于体积设计生成条件下的输入程序图。而不是输出密集的三维体素，我们提出了一个新的三维表示命名为体素图，是紧凑和表达的建设几何。我们的生成器是一个跨模态图神经网络，它使用指针机制来连接输入程序图和输出体素图，并且整个管道使用对抗框架进行训练。所生成的设计进行了评估，定性的用户研究和定量使用三个指标：质量，多样性，和连接的准确性。我们表明，我们的模型生成逼真的3D体积设计，并优于以前的方法和基线。1. 介绍体积设计（也称为体量设计或示意图设计）是建筑师在给定土地上设计建筑物的第一步根据适用于现场的当地建筑规范，建筑只能在有效的设计空间内设计，通常不是规则的长方体。例如，日光限制通过绘制斜线作为上限来防止建筑物在其相邻建筑物上投射过多阴影在有效设计空间内，体积设计不仅描绘建筑的三维体积形状，而且还为每个楼层生成二维程序布局图2中示出了一个示例然后建筑师使用最终的体积设计来逐步开发所有的施工细节，包括外观设计，室内设计，结构系统等。而体积设计是设计的基础*同等贡献。chin-yi. autodesk.com图1.我们的模型需要在一个程序图（也称为气泡图）和体素图表示的设计空间，并输出各种体积设计。专业建筑师可以有效地将输出转换为详细的建筑设计和施工过程中，作出一个良好的体积设计通常需要大量的时间和精力。一个高效的管道生成体积设计将给建筑和建筑行业带来生成逼真的2D房间布局多年来一直是一个热门话题。现有的方法包括基于优化的[15，1]和基于学习的[30，18，12，5]方法。最近，研究人员开始研究如何使用图神经网络（GNN）将程序图集成到布局生成任务程序图又称气泡图，是一种说明程序或房间之间关系的图表，是专业建筑师探索设计思路的常用表示法与House-GAN [18]类似，本文也关注图形条件布局生成任务。任务11957图2.左：有效设计空间的示例。右图：有效设计空间要求输出布局与条件输入程序图兼容。然而，没有文献将任务扩展到3D。我们的目标是生成多个布局，这些布局堆叠起来并形成多层建筑的体积设计。虽然将先前的2D方法转换为3D可能看起来很直接，但是在应用先前的方法时存在若干挑战和限制：• 与2D对应物相比，3D程序图不仅尺寸更大，而且由于附加的层间关系而更复杂。输出设计空间也随着楼层数的增加而增加。• 在以前的作品中使用的原始光栅化输出不能产生干净的角落和边缘，由于像素的精细例如，边界通常是锯齿状的，房间可能对齐不良并且彼此重叠，在一些房间中可能存在小的凹陷或凸起等。• 体积图像（通常定义为具有均匀离散体素的3D规则网格）与其他3D表示（如点云或网格）相比，与矩形建筑物具有最接近的结构相似性然而，对于多边形房间使用这种密集表示不是计算和存储器此外，在规则网格内但不在不规则有效设计空间中存在占用不需要的存储器和计算的体素。为了克服这些挑战和局限性，我们提出了体素图，一种新的三维表示，可以编码不规则的体素网格与非均匀的空间分区，ING。为了在输入程序图和输出体素图之间建立桥梁，我们在生成式对抗图网络中设计了一个基于指针的跨模态模块。指针模块不仅可以用于消息传递，而且还可以作为解码器来输出有效程序的动态集合上的概率。我们还与专业建筑师合作，根据实际建筑要求创建包含120，000个体积设计的合成数据集。我们定性和定量地评估了我们的模型，它在所有三个指标上都大大优于现有方法：质量、多样性和连接准确性。综上所述，我们的主要贡献包括：1）新的3D表示，体素图; 2）使用GNN和基于指针的交叉模态模块的图形调节的生成对抗网络（GAN）; 3）通过简单交互生成有效体积设计的自动流水线;以及4）包含120，000个体积设计及其相应程序图的合成数据集。我们将共享代码、模型和数据集。2. 相关工作2.1. 体素表示自从2D卷积的3D扩展以来，已经研究了使用体素的规则网格表示，诸如占位网格。为了实现3D形状合成，研究人员构建了编码器-解码器模型，例如深度信念网络[31]，变分自动编码器（VAE）[13]，生成式对抗网络（GAN）[29，23]和基于能量的模型[32]。然而，由于稀疏占用的密集表示，体素表示因其立方计算成本和对更高分辨率和更大尺寸的可扩展性差而臭名昭著。缓解该问题的现有方法包括稀疏卷积[8，7，4]和八叉树表示[21，27，28]。我们提出的体素图结合体素为基础的和图形为基础的表示编码体素到图形节点。在Point-Voxel CNN中提出了类似的想法[14]。为了增强局部建模能力，它具有用于点云编码的基于高分辨率点的分支以及基于低分辨率体素的分支。我们的体素图的另一个特征是支持非均匀空间划分的能力[16，6，24，11]通过选择从点云或图像提取的空间分割平面来BSP-Net [3]学习使用二进制空间分区生成紧凑的网格。NeuralSim 和NeuralSizer[2]也使用图形来表示结构网格（即，柱和梁）而不是密集体素。2.2. 图形条件布局生成据我们所知，目前还没有基于学习的3D布局生成的工作。另外，我们回顾了几个工作的图形条件的二维布局生成。Graph2Plan [12]为每个房间生成边界框，并使用级联细化网络细化框位置根据用户约束和轮廓相似性检索输入图。用户可以通过提供不同的图形来获得各种布局，但模型本身可以-11958×× ×图3.左：分层程序图。右：具有非均匀体素大小的不规则网格和等效体素图。不 产 生 变 异 。 House-GAN [18] 提 出 了 一 种 图 条 件GAN ， 其 中 生 成 器 和 鉴 别 器 建 立 在 关 系 架 构 -ConvMPN [33]上。狄新汉等。[5]在门、窗和家具的内部设计上使用类似的对抗方法。布局- GMN [20]学习使用基于注意力的图匹配网络来预测两个布局之间的结构相似性。Wamiq Para等人[19]探索了使用布局约束生成的生成式建模思想3. 表示和数据收集本文的目标是生成三维体积设计，给出了一个程序图和一个有效的设计空间。程序图示出了程序之间除了程序图和有效的设计空间外，建筑师在工业实践中还需要考虑其他设计条件容积率（FAR，由建筑物的总面积除以地块的总面积得出）不应超过规定的限制。此外，目标程序比率（TPR）定义程序之间的近似比率。例如，Office：走廊：洗手间：电梯：楼梯=50：20：15：五点十分TPR和FAR都被编码到程序图中，如3.2节所述，并用作模型输入。另一输入是有效设计空间，其可能由于建筑规范而不规则。设计空间可以根据架构师的决策或统计启发法进一步自由划分。在实践中，在开始设计过程之前，建筑师通常通过考虑建筑标准、结构系统和常规模块来划分空间。受此划分过程的启发，我们发明了表示，体素图，如第3.3节所述。3.1. 数据收集由于没有公开可用的数据集用于来自真实建筑物的体积设计，因此我们使用参数化模型创建具有120，000个商业建筑体积设计的合成数据集。每个de的位置标志是有界的40 40 50米3，其中不同的网站条件是随机产生的。参数化模型背后的启发式是基于专业架构师提供的规则和知识。虽然这些参数模型能够探索可能的体积设计，但它们不能拟合约束。因此，我们首先生成设计，然后计算每个设计的体素图，程序图，FAR和TPR。有关合成数据集的更多详细信息和可视化，请参阅补充资料。该数据集还可用于探索其他基于学习的设计工具或计算机视觉和图形学中的相关任务。3.2. 层次程序图给定一个建筑物基准，我们首先构造每个楼层的二维程序图。每个节目节点特征包括节目类型和故事级别。 在这里，我们考虑6种程序类型：大厅/走廊、洗手间、楼梯、电梯、办公室和机械室。程序边缘显示两个程序通过门或开口连接。为了构建3D程序图，我们堆叠所有2D程序图并链接楼梯和电梯，因为它们是垂直移动的唯一路径。在实践中，3D程序图还表示建筑物的流通。回想一下，还有另外两个设计条件输入：FAR和TPR。FAR限值存储为图形级特征。至于TPR，我们在3D程序图的顶部添加了一个层次结构。我们为每个程序类型创建一个主程序节点，并将它们连接到同一类型的所有程序节点。边允许主节点通过消息传递在每个程序节点上分配不同的区域大小。请参见图3左侧。3.3. 体素图为了克服第1节中列出的挑战和限制，我们发明了一种称为体素图的3D表示。每个节点表示体素，并且体素信息（坐标和维度）被存储为节点特征。不同于具有体素网格、体素图的体积图像11959我··KIj--ii更新iik enck图4.Building-GAN的概述顶部：生成器的程序GNN、体素GNN和跨模态指针模块底部：带有建筑和楼层解码器的鉴别器。不采用规则网格，并且仅为占用的体素消耗存储器。此外，它允许非均匀的空间分区，这避免了使用均匀体素大小时的过度离散化。从 理 论 上 讲 ， 体 素 节 点 可 以 编 码 任 意 的 3Dprimitives，但在本文中，只有长方体与不同大小的被用来建立近似的有效设计空间。解析数据时，空间分区由所有2D布局的投影定义在现实世界的实践中，出于结构稳定性或施工方面的考虑，墙倾向于在不同楼层之间对齐，这会导致作为rCl （ i ），多层感知器作为MLP，平均池化作为Mean，并且级联运算符作为[，]。我们首先将节点特征映射到嵌入空间（1），然后计算消息传递T次。在每个消息传递步骤中，我们计算来自相邻节点的消息（2），并平均池具有与主节点嵌入相同的程序类型的所有节点（3）。最后，我们使用残差学习更新节点嵌入，以避免梯度消失（4）。在消息传递的T=5个步骤之后，程序节点i的最终嵌入被表示为XT。空间分区中的体素接下来，我们把体素x0=MLPp（[xi，zp，F]）（1）并将体素信息（位置和尺寸）存储为节点特征，并将程序类型存储为节点我mt=1我欧洲新闻理事会ΣMLPp（[xt，xt]）（2）标签节点掩码也被存储在节点未使用并且没有任何程序类型。 最后，A|Ne(i)| j∈Ne（i）消息i j体素边连接两个体素节点，如果它们共享面。最终的体素图应该看起来像不规则的立方晶格，如图3的右侧所示。4. 方法我们制定的框架作为一个图形条件的GAN。该生成器由用于程序图和体素图的两个GNN组成鉴别器由一个GNN和两个解码器组成，从建筑和楼层两个层面评估设计。我们的模型概述如图4所示。4.1. 发生器4.1.1GNN程序我们的生成器从一个程序图神经网络开始对输入程序图进行编码表示随机亲-ct=Meanj∈Cl（i）（{xt}）（3）xt+1=xt+MLPp（[xt，mt，rCl（i）ct，F]）（4）4.1.2体素GNN输入体素特征vk和体素噪声zv首先由体素GNN编码器编码。为了更好地对故事索引进行编码，我们选择了[25]并将其添加到处理后的嵌入（5）中。 相反 为了在体素特征中附加绝对坐标，我们在消息计算（6）中使用相对位移 PkPl体素节点嵌入用残差学习来更新（7）。v〇=MLPv（[vk，zv]）+PE（故事k） （5）nt=ΣMLPv（[vt，vt，pk−pl]）（6）g噪声为zp，FAR限值为F，程序节点特征为i作为xi，节点i的邻居作为Ne（i），i的亲节点的节点簇Kl∈Ne（k）11960消息kL作为Cl（i）的gram类型，ivt=vt+MLPv（vt，nt）（7）k k更新K K11961〇=MLPΣ（v）（13）Σ（v））（14）故事KKXKKKKk我我我kki4.1.3基于指针的跨模态模块在用程序GNN处理程序图之后，程序节点的最终嵌入可以被视为设计的虚拟因此，有必要“查看”此蓝图以生成输出。为了在程序图和体素图之间建立桥梁，我们引入了一个基于指针的跨模态模块。受指针网络[26]在自然语言处理和网格生成任务中的应用[22，17]的启发，我们将类型预测被连接到编码的体素节点特征。经过T=12消息传递步骤，两个单独的- arate解码器使用。图形级最大池化解编码器整体评估设计，而故事级最大池化解码器单独评估每个故事的布局。全局dec T全局kK构造一个指针模块，实现体素节点与同一故事上所有程序节点之间的消息传递我们不能使用固定长度的输出来建模程序类型分布，因为1）不同的故事可以具有不同的o故事=平均故事s（MLPdec4.3. 损失不Kk∈s可供选择的程序节点的数量，例如，一层有五个房间，另一层有七个房间;以及2）如果存在具有相同程序类型的两个程序节点，则我们希望在这两个节点之间进行区分，例如在同一楼层中的两个洗手间。指针模块返回三个项：掩码k、attk和Vt+1（8）。掩码k被用作是否使用体素节点k的软预测（9）。如果不使用，则未使用且没有程序类型。否则，attk是同一楼层（10，11）上的节目节点集合上的注意力分布。更新的嵌入vt+1通过节目嵌入T乘以具有残差学习的软预测掩码k的加权和来计算（12）。掩码k，attk，vt+1=指针（vt，{xT}）（8）掩模k=σ（MLP（v，t））（9）ek，i=θTtanh（Wx xT+Wv vt）（10）我们使用WGAN-GP [9]损失与梯度惩罚集到10.来自鉴别器的两个解码器输出被相等地加权。梯度惩罚是通过在实际数据和生成的输出之间线性内插跨模态注意力来计算的，同时固定体素图连接性。4.4. 评估指标我们评估所生成的设计的质量，多样性和连接的准确性。输出设计的质量和多样性通过Fre´chet起始距离（FID）评分[10]进行评估FID评分已被证明与人类判断高度相关，并已广泛用于许多2D和3D研究。我们的参考模型基于3D描述符网络的更大版本[32]。由于数据的复杂度较高，我们用6个残差块替换然后我们使用卷积运算将嵌入平坦化为128维张量，并将其传递到密集层进行损失计算。FID评分为IK测量超过10，000个样品。我们还进行了一项用户研究attk=gumbel softmax（ek）（11）vt+1=vt+maskΣatt xT（12）我与建筑师一起测量第5.5节中的质量。连通性准确度（Con.）是衡量从生成的设计和程序图中观察到的程序（房间）连接数，除以我们试验了不同的方法来整合指针module.它可以被放置在体素GNN中的每几个消息传递步骤之后。我们的基线模型使用12个消息传递步骤，每2个步骤调用一次指针模块。完整的模型和算法请参见补充资料。从概念上讲，这些指针模块应该逐步改进设计。注意，输出attk指示哪个程序节点与体素节点的程序类型相关联，而不仅仅是程序类型预测。4.2. 鉴别器我们的鉴别器被训练来区分给定的设计是由生成器生成的还是从数据集中采样的。因此，我们采用与体素GNN类似的架构，但不使用指针模块。程序程序图中所有边的数量。注意，只有当两个房间在程序图中连接但在体素图中断开时，才被认为是不准确的，因为没有共享的墙来放置门。当两个房间在体素图中是连通的而在程序图中是不连通的时，该方法是准确的，因为设计者可以确定不在共享的墙壁上放置门。有关模型实施、超级参数、培训环境和用户学习的更多详细信息，请参阅补充资料。5. 实验5.1. 基线比较和可视化我们将我们的模型与House-GAN [18]的稍微修改版本进行比较。我们的模型11962×个图5.对于每个程序图，体积设计由我们的模型和House-GAN [18]生成而House-GAN是House-GAN直接在程序图的节点上生成大小为40 × 40由于House-GAN不使用体素图形表示，因此它假设有效设计空间是规则网格。House-GAN鉴别器将生成的掩码作为特征放回程序节点，并确定程序图是否为了将House-GAN扩展到3D，我们将每个程序节点的故事索引附加到其特征。图5显示了来自地面实况、我们的模型和House-GAN的示例设计。我们的模型显示了生成具有逼真的3D形状和干净的立面表面的设计的能力。我们还观察到，由于使用体素图表示，锯齿状边界的数量此外，各层的分层布局合理。例如，电梯、楼梯和洗手间等功能项目被布置为集群并通过走廊连接。最后但并非最不重要的是，函数程序在垂直方向上很好地对齐。相比之下，虽然House-GAN似乎逐层生成了合理的布局，但当垂直堆叠时，它们并不能很好地对齐。定量结果见表1。我们的模型在FID和连接精度方面都优于House-GAN。在表1中，我们还比较了具有不同超参数设置的模型首先，我们将指针模块的应用频率固定为2，并在体素GNN中实验不同数量的消息传递层。结果表明，使用12体素层在这两个方面都产生最佳性能方法参数FIDCon.房屋-GAN-17.60030.403我们-0.08450.569House-GAN（切片）-52.2560.612我们的（切片）-17.4790.53641.04630.432体素层60.41390.501（指针频率80.23650.497=每2步）10120.09970.5340.08450.569首页+末页3.38180.578指针频率每6步0.21790.547（体素层= 12）每3步每2步0.14730.5410.08450.569表1.使用FID评分和连接准确性进行定量评价。我们将我们的基线模型与House-GAN进行比较，并使用不同数量的体素层和指针 频率实验基线模型 。我们还评估切 片布局从generated设计的两种模式。FID和连接精度。这并不奇怪：使用更多的体素层允许计算体素节点之间的更长范围的关系，这对于在更高的建筑物中实现垂直对齐尤其关键接下来，我们固定体素层的数量并评估不同指针频率的影响。只在消息传递失败11963图6.在改变体素图和噪声的同时固定程序图所产生的设计变化收敛。 我们还在体素GNN中每2、3、6个消息传递步骤运行指针模块。每2个消息传递步骤使用指针模块，在FID和连接准确性方面产生最佳性能。在消息传递过程期间多次检查程序图可以确保始终考虑来自程序图的信息，并为梯度反向传播提供更短的路径。5.2. 变异研究在图6中，我们可视化了通过固定程序图同时改变体素图和噪声中的空间分区而 该模型能够生成具有不同图案、取向等的不同设计。基于给定的噪声和设计空间划分。5.3. 消融研究我们对鉴别器、位置编码和相对位置进行消融研究。结果总结在表2中。我们发现有必要同时使用故事鉴别器和建筑鉴别器，因为仅使用一个会导致性能较差。虽然在体素GNN中具有消息传递，但故事鉴别器难以评估故事间关系和整体3D几何结构。* 的更好的连接准确性实际上是由布局被分割的噪声低质量输出产生的。构建鉴别器被证明在学习任务中发挥更关键的作用，但添加故事鉴别器显著提高了输出设计质量。我们还表明，使用位置编码（PE）来编码故事索引的性能优于直接使用它（即 一，二。. . ）的情况。最后，没有相对位置（RP）的训练最终产生低质量的设计。它表明，相对位置是我们的模型不可或缺的组成部分，因为它可以捕捉连接体素之间的直接空间关系。消融研究FIDCon.我们0.08450.569仅文章鉴别器仅建筑鉴别器6.80611.0464*0.7770.459无PE无PE +无RP0.15120.83330.5070.489表2.鉴别器、位置编码（PE）和相对位置（RP）的消融研究结果* 这里的较高精度是由分散的低质量输出引起的。5.4. 中间结果在体素GNN中，我们运行12个消息传递层，并每2层使用指针模块。由于指针模块计算的每个掩码和注意力都代表一个设计解决方案，因此我们很想通过可视化推理过程中的中间设计来了解我们模型的如图7所示，在体素消息传递之前，第一注意初始化看似随机的设计，试图仅分配大厅/走廊类型。这是有意义的，因为决策仅基于程序图和个体体素节点。有趣的是，从第二次注意开始，模型选择重新开始并逐渐增长体素。此行为与消息传递过程一致，因为来自远处的信息将通过更多的传递步骤流入该模型还试图通过覆盖在先前步骤中做出的一些决定来改进设计例如，在图7的第一行中，在层6处，在层8处消除了隔离的洗手间（品红色）。5.5. 用户研究为了进一步检查质量，我们与20名专业建筑师进行了用户研究。每个架构师都有48个设计对，涵盖了地面实况，House-GAN和我们模型的所有组合。给定一对设计，11964图7.在推理期间，在体素GNN中，针对每2个消息传递步骤，由所有指针模块生成的设计的可视化图8.地面实况（G.T.）我们的模型和House-GAN（H.G.）。较好的设计得1分，而较差的设计得-1分。如果是平局，双方都得0分。方法的平均得分应在1和-1之间。结果如图8所示，应该逐行读取。我们的模型和地面实况以分数击败了House-GAN0.85和0.92。 地面实况评分只有0.37当与我们的模型相比时，这意味着在许多情况下，建筑师无法清楚地区分地面真实情况和我们的模型之间的差异。5.6. 为例为了了解我们的管道是否对专业建筑设计过程有用，我们邀请建筑师使用我们的管道创建体积设计，然后完成详细的建筑设计。如图1所示，结果是现实的和美学上有吸引力的。用户确实感觉管道大大提高了设计过程的效率创建过程和详细反馈请参见补充说明。5.7. 失败情形我们在从我们的模型生成的体积设计中观察到三种类型的常见缺陷：1）缺失节点; 2）缺失边;以及3）断开的房间，如图9中所示。这些缺陷的一个潜在原因是，我们的判别器只考虑每个体素节点上的程序类型，而不是体素节点和亲节点之间的注意力。图9.生成的体积设计中三个常见缺陷的可视化。左：输入程序图。右图：根据此程序图生成的体积设计中克图因此，鉴别器缺少关于体素节点所指向的特定程序节点的补充材料中介绍了我们解决这些缺陷的一些失败尝试，我们将解决方案留给未来的工作。6. 结论在本文中，我们试图提供一个新的管道，建筑GAN，以提高效率的一个现实的专业任务，体积设计在建筑和施工行业。我们发明了一个三维表示，体素图，以表示建筑设计，并设计了一个生成器，与交叉模态指针模块连接的程序，克图和体素图。我们广泛的评估，包括用户测试和用户研究，表明建筑师可以通过与Building-GAN交互来创建许多有效和有价值的设计未来的工作包括强制执行的约束，如连接，TPR，和FAR，以及扩展非长方体几何形状的体素图。我们将发布我们的代码，模型和数据集，并邀请研究社区共同研究行业中与设计相关的11965引用[1] 作者：Fan Bao，Dong-Ming Yan，Niloy J.米特拉和彼得 · 旺 卡 。 生 成 和 探 索 良 好 的 建 筑 布 局 。 ACMTransactions on Graphics，32（4），2013.[2] 张凯鸿和郑锦怡学习模拟和结构工程设计。在第37届机器学习国际会议论文集，第1426-1436页[3] Zhiqin Chen，Andrea Tagliasacchi，and Hao Zhang.Bsp-net：通过二进制空间划分生成紧凑的网格在IEEE/CVF计算机视觉和模式识别会议论文集，第45-54页[4] Christopher Choy，JunYoung Gwak，Silvio Savarese.4D时空卷积：Minkowski卷积神经网络。在IEEE计算机视觉和模式识别会议论文集，第3075-3084页，2019年。[5] Xinhan Di，Pengqian Yu，Danfeng Yang，Hong Zhu，Changyu Sun，and Yindong Liu.端到端生成的平面图和布 局 与 属 性 和 关 系 图 。 arXiv 预 印 本 arXiv ：2012.08514，2020。[6] 方浩和弗洛朗·拉法基。连接切片法：一种重建三维物体的混合方法。在IEEE/CVF计算机视觉和模式识别会议论文集，第13490-13498页[7] 本杰明·格雷厄姆、马丁·恩格尔克和劳伦斯·范德马滕。使用亚流形稀疏卷积网络的3D语义分割。在IEEE计算机视觉和模式识别会议论文集，第9224-9232页[8] 本杰明·格雷厄姆和劳伦斯·范德马滕。子流形稀疏卷积网络。arXiv预印本arXiv：1706.01307，2017。[9] Ishaan Gulrajani 、 Faruk Ahmed 、 Martin Arjovsky 、Vincent Dumoulin和Aaron C Courville。改进的瓦瑟斯坦甘斯训练。神经信息处理系统的进展，第5767-5777页，2017年[10] Martin Heusel、Hubert Ramsauer、Thomas Unterthiner、Bernhard Nessler和Sepp Hochreiter。两个时间尺度更新规则训练的甘斯收敛到一个局部纳什均衡。神经信息处理系统的进展，第6626-6637页，2017年[11] Henry Howard-Jenkins，Shuda Li，and V.普利斯卡留在盒子 外面 思考 ：无 约束 三维房 间布 局的 生成 。在ACCV，2018年。[12] Ruizhen Hu ， Zeyu Huang ， Yuhan Tang ， Oliver vanKaick，Hao Zhang，and Hui Huang. Graph2plan：学习从 布 局 图 生 成 平 面 图 。 arXiv 预 印 本 arXiv ：2004.13204，2020。[13] Diederik P Kingma和Max Welling。自动编码变分贝叶斯。arXiv预印本arXiv：1312.6114，2013。[14] Liu Zhijian Liu ，Haotian Tang，Yujun Lin，and SongHan.点-体素cnn用于高效的3d深度学习。神经信息处理系统的进展，32：965[15] Paul Merrell，Eric Schkufza，and Vladlen Koltun.计算机生成的住宅建筑布局。ACM SIGGRAPH Asia 2010论文，第1-12页。2010年。[16] 南亮亮和彼得·旺卡。多边形拟合：从点云重建多边形表面在IEEE计算机视觉国际会议论文集，第2353- 2361页[17] 查理·纳什，雅罗斯拉夫·甘宁，SM阿里·埃斯拉米和彼得·巴塔利亚。Polygen：3D网格的自回归生成模型。在International Conference on Machine Learning，第7220-7229页。PMLR，2020年。[18] Nelson Nauata、Kai-Hung Chang、Chin-Yi Cheng、GregMori和Yasutaka Furukawa。House-gan：用于图约束的房屋布局生成的关系生成对抗网络。第162-177页[19] Wamiq Para ， Paul Guerrero ， Tom Kelly ， LeonidasGuibas，and Peter Wonka.使用约束图的生成式布局建模。arXiv预印本arXiv：2011.13417，2020。[20] Akshay Gadi Patil，Manyi Li，Matthew Fisher，Mano-lisSavva，and Hao Zhang. Layoutgmn：用于结构布局相似性的神经图匹配。arXiv预印本arXiv：2012.06547，2020。[21] Gernot Riegler、Ali Osman Ulusoy和Andreas Geiger 。Octnet：以高分辨率学习深度3D表示在IEEE计算机视觉和模式识别会议论文集，第3577-3586页[22] Abigail See，Peter J Liu，Christopher D Manning. 说重点：用指针生成器网络总结。arXiv预印本arXiv：1704.04368，2017。[23] 爱德华·史密斯和大卫·梅格。用于三维物体生成和重建的改进对抗系统。arXiv预印本arXiv：1707.09557，2017。[24] Sinisa Stekovic，F. Fraundorfer和V.莱珀蒂通过渲染和比较从单个视图进行一般3d房间布局。在ECCV，2020年。[25] Ashish Vaswani， Noam Shazeer ， Niki Parmar ， JakobUszko-reit ， Llion Jones ， Aidan N Gomez ， LukaszKaiser，and Il- lia Polosukhin.注意力是你所需要的。arXiv预印本arXiv：1706.03762，2017。[26] Oriol Vinyals，Meire Fortunato和Navdeep Jaitly。指针网络。神经信息处理系统的进展，28：2692[27] Peng-Shuai Wang，Yang Liu，Yu-Xiao Guo，Chun-YuSun，and Xin Tong. O-cnn：用于3D形状分析的基于八叉树的卷积神经网络。ACM Transactions on Graphics（TOG），36（4）：1[28] Peng-Shuai Wang，Chun-Yu Sun，Yang Liu，and XinTong.自适应o-cnn：一种基于面片的三维形状深度表示方 法 。 ACM Transactions on Graphics （ TOG ） ， 37（6）：1[29] Jiajun Wu ， Chengkai Zhang ， Tianfan Xue ， BillFreeman，and Josh Tenenbaum.通过3d生成对抗建模学习物体形状的概率潜在空间。神经信息处理系统的进展，29：82-90，2016。[30] Wenming Wu ， Xiao-Ming Fu ， Rui Tang ， YuhanWang，Yu-Hao Qi，and Ligang Liu.数据驱动的住宅建筑 室 内 平 面 图 生 成 。ACM Transactions on Graph-ics（TOG），38（6）：111966[31] 吴 志 荣 ， 宋 舒 然 ， Aditya Khosla ， Fisher Yu ， Lin-guang Zhang ， Xiaoou Tang ， and Jianxiong Xiao. 3dshapenets：体积形状的深度表示。在IEEE计算机视觉和模式识别会议论文集，第1912-1920页[32] Jianwen Xie ， Zilong Zheng ， Ruiqi Gao ， WenguanWang，Song-Chun Zhu，and Ying Nian Wu.用于三维形状合成与分析的学习描述符网络。在IEEE计算机视觉和模式识别会议论文集，第8629-8638页，2018年[33] Fuyang Zhang，Nelson Nauata，and Yasutaka Furukawa.Conv-mpn：用于结构化户外建筑重建的卷积消息传递神经网络。在IEEE/CVF计算机视觉和模式识别会议的论文集，第2798-2807页