[温沧海]房屋设计耗时耗力耗钱？图约束的生成对抗网络帮你解决( 二 ) 机器之心编译参与：Jamin在房屋设计耗

文章图片
房屋关系布局生成器（顶部）和鉴别器（底部），其中ConvMPN是核心架构。
生成器获取每个房间的噪声矢量和气泡图，之后以每个房间轴对齐的形式生成房屋布局图。气泡图以图像形式表示，其中节点表示房间类型，而边缘表示空间邻接。更进一步讲，每个房间会生成一个矩形，并且两个具有边缘的房间必须在空间层面相邻（例如曼哈顿的距离应小于8像素）。
输入图：给定一个气泡图形成Conv-MPN ，其关系结构图与气泡图相同。研究者为每个房间生成一个节点，并使用从正态分布中采样的128-d噪声向量进行初始化，并与10-d房间类型向量-→tr（独热编码）进行连接。 r是房间的索引。结果是138-d向量?→gr：
Conv-MPN将特征作为3D张量存储在输出的设计空间中。研究员应用共享的线性层将-→gr扩展为（8×8×16）特征量gl=1r 。（l=1）表示该特征适用于第一个Conv-MPN模块，而该模块将被采样两次，以便在随后的gl=3r中变为（32×32×16）特征量。
Conv-MPN/上采样：Conv-MPN模块通过卷积消息的传递从而更新房间智能特征量图[26] 。更精确地讲，团队通过以下方式更新glr：1）图中连接的各个房间之间有一个汇总池特征；2）在未连接的房间之间会连接汇总池的功能；3）应用CNN：

文章图片
N（r）和N（r）分别表示已连接和未连接的房间集。团队使用转置卷积（内核=4 ，步幅=2 ，填充=1）将特征上采样扩充至2倍，同时保持通道数。生成器上具有两轮Conv-MPN和上采样，使得最终特征量为gl=3r的大小（32×32×16）。
输出布局：共享的三层CNN将特征量转换为大小为（32×32×1）的房间分割蒙版。分割蒙版的图形将在训练期间传递给鉴别器。在测试时，房间蒙版（tanh函数的输出范围为[-1 ， 1]）而阈值设置为0.0 ，团队为每个房间拟合了最紧密的轴对齐矩形从而生成房屋布局。
实验结果
从现实实用性角度来看，团队对12名研究生和10种专业建筑师进行了调研。每一个受访者都对比了以五种不同的方式从真实生活中所采样的6种类型的布局图，同时将这6种类型进行两两对比，形成15种对比组合，共计75次对比。

文章图片
表3显示House-GAN拥有了最高的总用户评分。

文章图片
图5显示了成对的比较结果。
对于每对方法，团队将两种维度的得分进行了比较，计算它们的平均得分，并取其差值。如果受访者总是对一种方法选择「更好」，则差异为2.0 。从另一方面说，如果差异分为1.0（例如，学生对GCN的评分为12），则表示该方法的一半被评为「better」，一半被评为「equallyX」。
事实表明，不管是学生还是建筑师都将House-GAN评为除groundtruth外最为现实的选择。

文章图片
图6也同样定性地支持了相同的结论， House-GAN效果最优。
【[温沧海]房屋设计耗时耗力耗钱？图约束的生成对抗网络帮你解决】不仅如此，除了在现实生活中的实用性之外，团队还根据不同的环境对模型的「多样性」「兼容性」进行了多维度的评估，效果非常不错，感兴趣的朋友可以参考论文原文。