La conception paysagère est une tâche complexe et multifacette traditionnellement réalisée par des humains, ce qui peut conduire à des inefficacités et à une créativité limitée dans le processus de conception. Les méthodes automatisées utilisées jusqu'à présent pour réaliser la conception paysagère sont limitées par leur créativité, leur flexibilité et leur capacité à équilibrer entre la conception structurelle et les préférences. Dans cet article, nous présentons un nouveau modèle de conception paysagère qui utilise la génération basée sur des croquis et l'apprentissage multimodal en utilisant à la fois des descriptions textuelles et des croquis initiaux pour générer des images de haute qualité de designs paysagers. Notre modèle utilise un modèle d'apprentissage profond comprenant un modèle Pix2Pix GAN qui génère des images à partir de croquis et un modèle CLIP qui aligne les images avec les descriptions textuelles pour répondre aux besoins à la fois des exigences structurelles et des préférences esthétiques. Notre modèle offre une solution plus créative, flexible et détaillée à la conception paysagère automatisée comparée aux méthodes traditionnelles. Nos expériences montrent que notre modèle génère des images de qualité supérieure comparées aux méthodes existantes, telles que Pix2Pix et CycleGAN, et aligne mieux les images avec les descriptions textuelles. L'analyse quantitative et qualitative valide en outre que notre modèle est efficace pour générer des images paysagères innovantes et esthétiquement plaisantes. Notre modèle offre une solution innovante à la conception paysagère automatisée qui est plus efficace, créative et contextuellement pertinente. En utilisant notre modèle, les concepteurs peuvent générer des designs plus efficaces, innovants et contextuellement pertinents. Avec des améliorations futures, notre modèle pourra mieux traiter des exigences de conception complexes et abstraites en vue du développement de systèmes de conception intelligents.
Building similarity graph...
Analyzing shared references across papers
Loading...
Yun Wang
Mengyi Huang
Scientific Reports
Dongguan University of Technology
Building similarity graph...
Analyzing shared references across papers
Loading...
Wang et al. (Mon,) ont étudié cette question.
www.synapsesocial.com/papers/694020d72d562116f28fa74a — DOI: https://doi.org/10.1038/s41598-025-31088-w
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: