Style-based floorplan editing

Abstract

В данной работе рассматривается задача редактирования планов этажей на основе стилей с использованием методов генеративно-состязательных сетей (GAN) и инверсии GAN. Целью исследования являлась разработка модели, способной эффективно генерировать планы этажей с учетом заданного стиля, для упрощения и автоматизации процесса редактирования. Основные задачи включали в себя изучение существующих методов условного синтеза изображений и инверсии генеративно-состязательных сетей, разработка базовой модели с использованием существующих решений. разработка и обучение новой модели, включающей генератор, дискриминатор и энкодер. В результате выполнения поставленных задач была разработана новая модель, состоящая из энкодера, выполняющего задачу извлечения матрицы стиля, и генератора, представляющего собой генеративно-состязательную нейронную сеть, дискриминатор которой отвечает за задачу сегментации изображения, а генератор за восстановление из упрощенного представления с учетом стиля. Оценка показала, что предложенная модель способна на качественном уровне справляться с поставленной задачей, благодаря чему ее использование может значительно упростить и ускорить процесс редактирования планов этажей, обеспечивая при этом высокое качество результата. Перспективы дальнейшего развития включают улучшение модели для работы в реальном времени и дальнейшую оптимизацию ее архитектуры.

This study addresses the problem of floor plan editing based on styles using Generative Adversarial Networks (GANs) and GAN inversion methods. The aim of the research was to develop a model capable of effectively generating floor plans considering the given style, to simplify and automate the editing process. The main tasks included studying existing methods of conditional image synthesis and GAN inversion, developing a basic model using existing solutions, and developing and training a new model that includes a generator, discriminator, and encoder. As a result of these tasks, a new model was developed, consisting of an encoder that extracts the style matrix, and a generator representing a generative adversarial network. The discriminator in this network is responsible for image segmentation, while the generator restores the simplified representation considering the style. Evaluation showed that the proposed model is capable of effectively solving the set task, thus significantly simplifying and speeding up the process of floor plan editing while ensuring high-quality results. Future development prospects include improving the model for real-time operation and further optimizing its architecture.