基于生成式对抗网络的室内家居场景生成算法

发布时间：2021-05-17 05:42

　　计算机视觉领域自诞生起就备受关注。计算机场景生成问题,作为计算机视觉领域一个重要的分支,涉及各种各样的应用场景,例如游戏的地图建模,家居装饰和城市对象布局。广阔的市场前景促使越来越多的研究人员对该问题进行研究。当前,该问题主要包括硬件方法和软件方法。硬件方法要求苛刻的设备和环境,样本扫描将完全确定生成的样本。场景生成的多样性受到极大限制。通过从案例库中选择布局对象,然后将其布置在给定的空间中,此方法正变得越来越主流。但是,对于不同的模型仍然存在两个主要问题。一是该算法耗时多且不能解决对象过多,布局空间复杂的布局问题。针对上述问题,我们开始研究基于室内场景生成的高性能交互式室内家具布局算法。主要贡献如下:本文首先提出了一种基于功能区域划分和家具填充的方法,以解决复杂客厅环境中布局对象过多的布局问题。根据功能,我们假设每种家具可以布置在一个或几个功能区域中。通过使用生成对抗网络（GAN）将空房间区域划分为几个功能区域。本文阐述了功能区域划分的学习过程,包括目标功能的构建和训练过程。此外,为了将家具填充到特定的功能区域,本文提出了一种基于学习的家具填充算法。通过针对每种类型的功能区域训练完全... 

【文章来源】：浙江工商大学浙江省

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 室内家居场景的生成概述
        1.2.2 基于样例生成的(Sample-based method)室内场景合成
        1.2.3 基于规则的(Rule-based layout method)布局方法
        1.2.4 (Data-driven)数据驱动的方法
    1.3 本文主要研究内容
    1.4 本文的组织结构和创新点
        1.4.1 组织结构
        1.4.2 创新点
    1.5 本章小结
第2章 深度对抗网络的实现与优化
    2.1 生成式对抗网络(GAN)原理概述
        2.1.1 判别器
        2.1.2 生成器
        2.1.3 GAN的优化函数以及训练方法
    2.2 生成式对抗网络的变种
    2.3 深度学习相关知识
        2.3.1 卷积与反卷积神经网络
        2.3.2 神经网络的优化策略
    2.4 PyTorch深度学习框架
    2.5 本章小结
第3章 DCGAN实现室内场景智能布局
    3.1 引言
    3.2 pix to pix问题和DCGAN网络
    3.3 室内场景智能布局综述
        3.3.1 数据集的制作
        3.3.2 DCGAN功能区域划分
        3.3.3 拓扑填充家具
    3.4 实验设置
    3.5 结果和分析
    3.6 本章小结
第4章 交互式生成多样性室内场景
    4.1 引言
    4.2 GAN解决text to image问题
    4.3 交互式功能区域划分综述
        4.3.1 数据集的制作
        4.3.2 TextGAN交互式划分功能区
    4.4 功能区内家具放置
    4.5 实验设置
    4.6 结果和分析
第5章 总结和展望
    5.1 总结
    5.2 展望
参考文献
附录 攻读硕士学位期间的科研项目及成果
致谢



本文编号：3191194