SDXLモデルに基づくインテリアデザインの最適化：データ駆動型および深層学習手法

科学分野:

• コンピュータビジョン;人工知能;計算設計

背景:

• AI支援インテリアデザインは、構造的一貫性と美的忠実性の課題に直面しています。;Stable Diffusion XL (SDXL)のような汎用拡散モデルは、空間デザインタスクにドメイン固有の適応が必要です。

研究 の 目的:

• インテリアデザインに合わせたSDXLの新しいドメイン固有の最適化フレームワークを提案すること。;AI生成インテリアデザインにおける構造的一貫性と美的忠実性を向上させること。

主な方法:

• 自動意味論的クリーニングとハイパーパラメータ最適化を統合した体系的なパイプラインを開発しました。;半自動YOLOベースのフィルタリングプロセスを使用して、高品質で注釈付きのデータセットを構築しました。;最適なドロップアウト、L1/L2正規化、動的学習率を使用した経験的に検証されたトレーニングプロトコルを確立しました。

主要な成果:

• 最適化されたフレームワークは、Fréchet Inception Distance (FID)、Structural Similarity Index (SSIM)、Learned Perceptual Image Patch Similarity (LPIPS)において、ベースラインモデルを大幅に上回りました。;デザインコンセプトの理解が向上したことを示す、堅牢なCLIP意味論的整合性を達成しました。;消融研究により、意味論的クリーニングと構造的正規化が幾何学的忠実性にとって重要であることが確認され、FIDが51.1%削減されました。

結論:

• 提案されたフレームワークは、大規模な拡散モデルを専門的な空間デザイン要件に適応させるための技術的に堅牢な方法論を提供します。;この研究は、構造的一貫性があり、美的にも満足のいくインテリアデザインを作成する上でのAIの能力を進歩させます。