[論文レビュー] Automatic Generation of Constrained Furniture Layouts

Paul Henderson, Kartic Subr+1 more|arXiv (Cornell University)|Nov 29, 2017

Advanced Manufacturing and Logistics Optimization参考文献 43被引用数 14

ひとこと要約

本論文は、部屋の形状・サイズ・物体配置といった多様な制約のもとで現実的で3次元の家具配置を生成するデータ駆動型で確率的生成モデルを提案する。大規模なトレーニングデータセットから物体カテゴリとその空間的関係の同時統計を学習することで、1レイアウトあたり0.04秒という高速な祖先サンプリングが可能となり、拒否サンプリングを用いた柔軟な制約処理が可能となり、ユーザースタディーでは人間が設計した配置と区別がつかないレイアウトを生成する。

ABSTRACT

Efficient authoring of vast virtual environments hinges on algorithms that are able to automatically generate content while also being controllable. We propose a method to automatically generate furniture layouts for indoor environments. Our method is simple, efficient, human-interpretable and amenable to a wide variety of constraints. We model the composition of rooms into classes of objects and learn joint (co-occurrence) statistics from a database of training layouts. We generate new layouts by performing a sequence of conditional sampling steps, exploiting the statistics learned from the database. The generated layouts are specified as 3D object models, along with their positions and orientations. We show they are of equivalent perceived quality to the training layouts, and compare favorably to a state-of-the-art method. We incorporate constraints using a general mechanism -- rejection sampling -- which provides great flexibility at the cost of extra computation. We demonstrate the versatility of our method by applying a wide variety of constraints relevant to real-world applications.

研究の動機と目的

• 仮想環境向けにスケールアップ可能な、現実的で制御可能な3次元屋内家具配置を自動生成する課題に取り組むこと。
• 部屋の幾何形状、物体配置、空間的関係など、広範なユーザー指定の制約をサポートすること。
• 生成された配置が知覚的に現実的で、人間が設計した配置と同等であること。
• 学習された確率的統計を用いて、効率的で解釈可能で制御可能な配置生成を実現すること。
• 事前制約指定とパrameter編集の両方をサポートする柔軟なフレームワークを提供すること。

提案手法

• 本手法は、物体カテゴリの有向非巡回グラフとして部屋の構成をモデル化し、25万件の人の設計したレイアウトからなるデータベースから、物体タイプ、位置、向きに関する条件付き確率分布を学習する。
• 連続変数（位置、向き）には学習済みの多変量正規分布、カテゴリカル変数（物体クラス）には学習済みのカテゴリカル分布を用いた祖先サンプリングを実行する。
• 制約は拒否サンプリングにより強制され、部屋の形状、ドア・窓の配置、物体固有のルールなど、複数の同時制約を柔軟にサポートできる。
• 学習済みの共起統計を用いて、高次の空間的関係（例：テーブルの周りに椅子が配置されるモチーフ、並べられたキャビネットのアブタメント）を組み込む。
• ヒートマップによる配置好まれ場所や各物体クラスの向きのバイアスの可視化により、解釈性を向上させる。
• 再トレーニングを必要とせず、学習済み分布の修正（例：パディング確率やエッジ確率の調整）により、効率的なパrameter編集が可能となる。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型で確率的モデルは、人間が設計した品質に匹敵する現実的な3次元家具配置を生成できるか？
• RQ2 本モデルは、部屋の形状、物体配置、空間的関係といった多様なユーザー指定の制約をどの程度サポートできるか？
• RQ3 制約のもとで、有効な配置をどの程度効率的に生成できるか。また、トレーニングデータに存在しない配置も生成できるか？
• RQ4 ユーザーレビューにおいて、生成された配置の現実性は、最先端手法と比較してどの程度評価されるか？
• RQ5 学習済みモデルのパrameterは、配置生成をガイドするために意味的に解釈可能で編集可能か？

主な発見

• トレーニング例で制約を満たすものが存在しないケースでも、有効な配置を生成でき、トレーニング分布を超えた一般化を示している。
• レイアウト生成は極めて高速であり、1部屋あたりの中央サンプリング時間が0.04秒という結果となり、リアルタイム応用が可能である。
• ユーザースタディーの結果、生成されたレイアウトは人間が設計したレイアウトと同等に現実的であると評価され、最先端手法 [WSCR18] よりも好まれている。
• 本モデルは人間が解釈可能な空間的パターンを学習している：例えば、シャワーは99％の確率でコーナーに配置される。
• オフィスチェア（0.74の確率）や tripods（0.49の確率）は、部屋の縁に配置される可能性が低く、現実世界の使用状況と整合している。
• エッジ確率や向きのバイアスの変更など、効率的なパrameter編集が可能で、拒否サンプリングを経由せずにレイアウト特性を直接操作できる。