近日，特斯联首席科学家、特斯联国际总裁邵岭博士及其合作团队发布最新研究成果，提出了一种全新的Graph Transformer生成对抗网络（Graph Transformer Generative Adversarial Network，简称GTGAN）,用于解决具有图约束的建筑布局生成任务。该研究成果在公域及私域空间的布局规划及设计等领域拥有广泛的应用前景，已被人工智能领域顶级学术期刊IEEE T-PAMI 2024年46卷第六期收录，题为：Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation。
该研究成果在多个现实场景中有广泛的应用潜力。在建筑设计和规划方面，通过自动生成建筑布局，设计师可以在早期阶段快速探索不同的设计方案，提高设计效率和创新性；在城市规划方面，该技术可以辅助规划者生成符合特定要求的城市建筑布局，考虑交通、绿化、公共设施等多种因素；在建筑施工和项目管理方面，自动生成的布局图可以辅助施工管理和监督，确保施工按照设计图纸进行；在紧急救援和灾害响应方面，灾害发生后，可快速生成受损建筑的布局图以帮助救援人员更好地规划救援行动，评估结构稳定性，之于公域空间的管理有长远价值。
团队所提出GTGAN++在房屋布局生成方面的概览
以下为论文原文摘录。
图约束的房屋生成问题是一种利用图神经网络（GNNs）和生成对抗网络（GANs）生成符合特定图结构约束的房屋设计或布局的问题。在建筑和城市规划领域，这种技术可以用于自动生成满足特定功能和美学要求的房屋设计。在该研究项目中，邵岭博士及其团队提出了一种全新的Graph Transformer生成对抗网络（GTGAN），以端到端的方式学习有效的图节点关系，以应对颇具挑战性的图约束建筑布局生成任务。
・Graph Transformer编码器：团队所提出的基于Graph Transformer的生成器包含一个全新的Graph Transformer编码器，该编码器在Transformer中结合了图卷积和自注意力机制，以模拟连接和非连接图节点的局部和全局交互。
・连接和非连接节点注意力机制：所提出的连接节点注意力（Connected Node Attention, CNA）和非连接节点注意力（Non-connected Node Attention, NNA）分别旨在捕获输入图中连接节点和非连接节点的全局关系。
・图建模模块：所提出的图建模块Graph Modeling Block, GMB）旨在利用基于房屋布局拓扑的局部顶点交互。
・基于节点分类的判别器：团队还提出了一种新的基于节点分类的判别器，以保留不同房屋组件的高级语义和区分节点特征。
・基于图的循环一致性损失：为确保现实和预测图之间的相对空间关系，团队还提出了一种新的基于图的循环一致性损失。
・自引导预训练方法：最后，团队提出了一种全新自引导预训练方法用于图表示学习。这种方法涉及以较高的掩蔽比例（即40%）同时掩蔽节点和边，并使用非对称的图中心自编码器架构进行后续重建。
该方法显著提高了模型的学习效率和速度。在实验阶段，团队在三个公共数据集上对GTGAN进行了测试，验证了其在房屋布局生成、房屋屋顶生成和建筑布局生成等任务中的有效性。通过客观的量化评分和主观的视觉真实性评估，证明了所提出方法相较于现有技术的优越性。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。
