[论文解读] 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 14

一句话总结

本文提出了一种数据驱动的、基于概率的生成模型，用于在多种约束条件下（如房间形状、尺寸和物体布局）生成逼真的3D家具布局。通过从大规模训练数据集中学习物体类别及其空间关系的联合统计特性，该方法实现了高效的祖先采样（每张布局仅需0.04秒），并通过拒绝采样支持灵活的约束处理，生成的布局在用户研究中与人工设计的布局难以区分。

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.

研究动机与目标

• 解决在虚拟环境中大规模自动生成逼真且可控制的3D室内家具布局的挑战。
• 支持广泛的用户指定约束，包括房间几何形状、物体位置和空间关系。
• 确保生成的布局在感知上逼真，并可与人工设计的布局相媲美。
• 利用学习到的概率统计实现高效、可解释且可控的布局生成。
• 提供一个灵活的框架，支持事前约束指定以及参数编辑以实现定制化。

提出的方法

• 该方法将房间构型建模为物体类别的有向无环图，从25万个人工设计的布局数据库中学习物体类型、位置和方向的条件概率分布。
• 通过使用学习到的多元正态分布（用于连续变量：位置、方向）和分类分布（用于物体类别）进行祖先采样。
• 通过拒绝采样强制执行约束，从而灵活支持多种同时存在的约束，如房间形状、门/窗位置以及物体特定规则。
• 通过学习到的共现统计，整合高阶空间关系（例如，椅子围绕桌子的模式，如橱柜成排排列的贴合关系）。
• 通过可视化学习到的参数（如每类物体的偏好放置位置热力图和方向偏好）增强可解释性。
• 通过修改学习到的分布（例如，调整边距或边缘概率）实现高效参数编辑，无需重新训练。

实验结果

研究问题

• RQ1 基于数据驱动的概率模型能否生成质量与人工设计相当的逼真3D家具布局？
• RQ2 该模型在多大程度上能够支持多样化的用户指定约束，如房间形状、物体位置和空间关系？
• RQ3 该模型在约束条件下生成有效布局的效率如何？是否能够生成训练数据中不存在的布局？
• RQ4 与最先进方法相比，用户对生成布局的真实感感知如何？
• RQ5 学习到的模型参数是否可解释且可有意义地编辑，以指导布局生成？

主要发现

• 当训练集中没有任何样本满足给定约束时，该模型仍能生成有效布局，证明其在训练分布之外具有泛化能力。
• 布局生成效率极高，平均每间房采样时间中位数仅为0.04秒，支持实时应用。
• 用户研究表明，生成的布局在真实感上与人工设计的布局相当，并且优于最先进方法[WSCR18]。
• 该模型学习到了人类可解释的空间模式：例如，淋浴间有99%的概率被放置在角落；餐桌则倾向于居中布置。
• 像办公椅和三脚架这样的物体，其位于房间边缘的概率较低（分别为0.74和0.49），与现实使用习惯一致。
• 该模型支持高效的参数编辑——例如，修改边缘概率或方向偏好——从而无需拒绝采样即可直接操控布局特征。