DiffDesign: difusión controlada con meta previa para la generación eficiente de diseño interior

Área de la Ciencia:

• Inteligencia artificial
• Visión por computadora
• Diseño computacional

Sus antecedentes:

• El diseño de interiores es complejo, requiere equilibrar la estética, la funcionalidad y la ergonomía.
• Los modelos generativos actuales carecen de control y relevancia práctica para las tareas de diseño de interiores.
• Los métodos existentes luchan con el tamaño, el alcance espacial y la calidad de generación.

Objetivo del estudio:

• Desarrollar un modelo generativo eficiente y controlable para el diseño interior.
• Abordar las limitaciones de los enfoques generativos existentes en el diseño de interiores.
• Mejorar la aplicabilidad práctica de la IA en la generación de diseño de interiores.

Principales métodos:

• Propuso DiffDesign, un modelo de difusión controlable que aprovecha los meta-priores.
• Utilizó un modelo de difusión 2D pre-entrenado como una columna vertebral de renderizado.
• Control de la atención cruzada para los atributos de diseño (apariencia, pose, tamaño) y un módulo de alineación para la consistencia de la vista.
• Construido el conjunto de datos de DesignHelper (400+ soluciones, 15+ tipos espaciales, 15+ estilos) para el ajuste fino.

Principales resultados:

• DiffDesign demuestra una generación de diseño de interiores efectiva y robusta.
• El modelo muestra una mejor controlabilidad sobre los atributos de diseño.
• Asegurar la coherencia de la vista en los diseños generados.
• Validado a través de extensos experimentos en conjuntos de datos de referencia.

Conclusiones:

• DiffDesign ofrece una solución eficiente para el diseño de interiores impulsado por IA.
• Las capacidades de generación controlables mejoran la usabilidad práctica.
• El conjunto de datos y el modelo desarrollados avanzan en el campo del diseño de interiores computacional.