基于两阶段深度学习网络和单个样本驱动方法的内部空间优化设计
Liang Na1, Zhou Hui1, Xia Huaxia2
1College of Humanities and Arts, Hunan International Economics University, Changsha, Hunan, China.
PloS one
|September 10, 2025
概括
这项研究引入了室内设计的AI框架,将设计时间缩短40%并将空间利用率提高25%. 这种新的方法提高了设计效率和个性化,为独特的智能解决方案提供了个性化解决方案.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 计算设计的计算设计.
背景情况:
- 传统的室内设计方法在及时性和独特性方面面临挑战.
- 现有的数字设计工具往往缺乏智能优化和个性化功能.
研究的目的:
- 使用两阶段的深度学习网络开发一个优化的室内空间设计框架.
- 在室内设计解决方案中增强设计效率,独特性和用户适应性.
- 为个性化室内设计引入单个样本驱动机制.
主要方法:
- 一个两阶段的深度学习网络,结合了用于特征提取的变压器网络和用于生成优化的扩散模型.
- 利用输入空间图像的多维特征,包括空间布局,颜色和家具风格.
- 在公共数据集上进行验证:InteriorNet,SUN RGB-D,NYU Depth V2和ScanNet.
主要成果:
- 与传统方法相比,设计周期缩短了40%,空间利用率增加了25%.
- 通过个性化的设计,提高了比例和尺度协调20%,颜色匹配得分提高了30%.
- 证明了增强的设计效率,创新性和用户适应性.
结论:
- 拟议的人工智能驱动框架为室内空间设计提供了高效和智能解决方案.
- 两阶段的深度学习网络有效地整合了特征提取和生成优化.
- 这项研究提出了人工智能在设计领域的新技术范式.
