一种基于神经网络的家装场景设计方法及系统技术方案

本发明专利技术涉及一种基于神经网络的家装场景设计方法及系统，该方法包括：根据待设计户型的现有场景效果图和/或空白场景图生成线框图，将线框图输入预先训练的生成对抗网络GAN模型，得到待设计户型的家装场景效果图。本发明专利技术利用GAN技术可以将线框图作为输入，进行神经网络运算后生成家装场景效果图,再接入前端呈现场景，形成端到端的应用提高设计师制作效果图的效率，并且，用户也能参与其中，共同体验灵感设计。

【技术实现步骤摘要】
一种基于神经网络的家装场景设计方法及系统
本专利技术涉及家装设计领域，具体涉及一种基于神经网络的家装场景设计方法及系统。
技术介绍
在家装设计领域，设计师需要尽量满足客户要求从而做好服务本身。设计师的设计灵感来源于多个方面，其中，关键点有三：1.设计师从事设计的经验和技术(决定效果图设计成果的优劣及耗时)；2.设计师从客户了解的对于家装的需求畅想信息；3.客户装修业务的整体成本估算。满足客户需求的过程中，设计师需要多次更改设计方案，以求客户能够中意设计方案与客户自身装修意图的契合。作为传统行业的引流方式在人力成本以及技术实力展现方面都需要做到尽量合适的权衡。以往的设计方案需要设计师进行方案底图设计，生成软装模型或者挑选已有软装模型搭配，在设计场景中进行调整然后对成果进行渲染，这种方案的整体耗时较长，设计师在业务繁忙时会对客情维护造成影响。随着网络应用的广泛推广，家装设计也推出了全景漫游体验式的家装设计体验，这也是在前端呈现作了相关努力，让场景更加丰富，但没有解决设计师生成效果图耗时长的痛点。
技术实现思路
针对上述技术问题，本专利技术提供一种基于神经网络的家装场景设计方法及系统，能够大大提高设计师制作家装场景效果图的效率。本专利技术解决上述技术问题的技术方案如下：一种基于神经网络的家装场景设计方法，包括：将待设计户型的线框图输入预先训练的生成对抗网络GAN模型，得到所述待设计户型的家装场景效果图。本专利技术的有益效果是：利用GAN技术可以将线框图作为输入，进行神经网络运算后生成家装场景效果图,再接入前端呈现场景，形成端到端的应用提高设计师制作效果图的效率，并且，用户也能参与其中，共同体验灵感设计。在上述技术方案的基础上，本专利技术还可以做如下改进。进一步，在将待设计户型的线框图输入预先训练的生成对抗网络GAN模型之前，所述方法还包括：根据所述待设计户型的现有场景效果图和/或空白场景图生成线框图。进一步，所述方法还包括：采用现有场景效果图作为所述GAN模型的训练数据进行闭环学习。进一步，所述采用现有场景效果图作为所述GAN模型的训练数据进行闭环学习，具体包括：通过所述训练数据提取线框图，同时让所述GAN模型的生成器与所述训练数据一起作为输入和所述GAN模型的判别器进行对抗训练，从而优化GAN模型的参数，直至整个训练过程收敛。为实现上述专利技术目的，本专利技术还提供一种基于神经网络的家装场景设计系统，包括：效果图生成模块，用于将待设计户型的线框图输入预先训练的生成对抗网络GAN模型，得到所述待设计户型的家装场景效果图。进一步，所述系统还包括：线框图生成模块，用于在所述效果图生成模块将待设计户型的线框图输入预先训练的生成对抗网络GAN模型之前，根据所述待设计户型的现有场景效果图和/或空白场景图生成线框图。进一步，所述系统还包括：模型训练模块，用于采用现有场景效果图作为所述GAN模型的训练数据进行闭环学习。进一步，所述模型训练模块，具体用于：通过所述训练数据提取线框图，同时让所述GAN模型的生成器与所述训练数据一起作为输入和所述GAN模型的判别器进行对抗训练，从而优化GAN模型的参数，直至整个训练过程收敛。附图说明图1为本专利技术实施例提供的一种基于神经网络的家装场景设计方法的流程图；图2为本专利技术实施例提供的作为训练数据的现有效果图及生成的线框图；图3为本专利技术实施例提供的以现有场景效果图作为输入生成的线框图及最终生成的家装场景效果图；图4为本专利技术实施例提供的以空白场景图作为输入生成的线框图及最终生成的家装场景效果图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。人工智能技术的发展，为当今各行各业提供了降本增效的无限可能性。灵感作为设计领域不可证明却又不可替代的力量，为家装设计带来艺术的气息及价值。家装数字化的转变不止存在于数据存储格式的转化，设计图纸的电子形式转化，设计理念亦可以作为一种突破去尝试，利用深度学习技术框架，采用生成-对抗网络来学习高端设计师的设计理念，从而为家装设计领域的灵感设计提供反馈或代劳，加入一定的约束条件，可以为家装设计灵感设计带来助力与技术革命的尝试。生成对抗网络(GenerativeAdversarialNetwork,GAN)是一类具有基于网络本身即可以生成数据能力的神经网络结构。作为近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型(GenerativeModel以下简称生成器)和判别模型(DiscriminativeModel简称判别器)的互相博弈学习产生相当好的输出。原始GAN理论中，并不要求生成器和判别器都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为生成器和判别器。由于GAN的强大能力，在深度学习领域里对它们的研究是一个非常热门的话题。在过去很短的几年里，它们已经从产生模糊数字成长到创造如真实人像般逼真的图像。人脸这种比较细腻的特征图像生成给予了图像风格转化领域热情的技术驱动。利用GAN这项日益成熟的图像转化及风格迁移技术能够满足客户对于一些家装领域艺术设计的需求，生成的设计方案配色保证一致，后续通过渲染引擎的协助，能够给客户以惊艳的体验。图1为本专利技术实施例提供的一种基于神经网络的家装场景设计方法的流程图，如图1所示，该方法包括：S1、根据所述待设计户型的现有场景效果图和/或空白场景图生成线框图；具体的，本专利技术实施例中，可采用两种线框图作为输入，进入GAN神经网络运算模块进行生成对抗式训练，最终生成效果图。这两种线框图生成可以分为：1.根据现有空白户型空间结构进行户型图重构，然后在三维场景中进行底层模型快速拖拽，此步骤无需进行模型材质优化，我们可以认为是白模，然后利用算法生成线框图；2.根据已有场景效果图直接提取线框图。两种线框图输入方式分别对应了原始户型室内效果图的设计以及现有户型室内效果图的风格迁移设计。S2、将待设计户型的线框图输入预先训练的生成对抗网络GAN模型，得到所述待设计户型的家装场景效果图。具体的，GAN模型的训练数据可采用现有场景效果图，将其作为GAN模型的训练数据进行闭环学习具体包括：通过训练数据提取线框图，同时让GAN模型的生成器与训练数据一起作为输入和GAN模型的判别器进行对抗训练，从而优化GAN模型的参数，直至整个训练过程收敛。如图2所示为现有场景效果图及提取得到的线框图。整个训练过程收敛时，即可应用这个GAN网络来设计效果图。这个收敛的指标可以被定义为：当判别器网络已经无法确认生成器的生成结果和真实效果图的差别或者两者在损失函数定义上已经误差足够小即可。将生成的线框图作为训练好的模型的输入，已经优化好的生成器网络会生成计算机本文档来自技高网...

【技术保护点】
1.一种基于神经网络的家装场景设计方法，其特征在于，包括：/n将待设计户型的线框图输入预先训练的生成对抗网络GAN模型，得到所述待设计户型的家装场景效果图。/n

【技术特征摘要】
1.一种基于神经网络的家装场景设计方法，其特征在于，包括：
将待设计户型的线框图输入预先训练的生成对抗网络GAN模型，得到所述待设计户型的家装场景效果图。


2.根据权利要求1所述的一种基于神经网络的家装场景设计方法，其特征在于，在将待设计户型的线框图输入预先训练的生成对抗网络GAN模型之前，所述方法还包括：
根据所述待设计户型的现有场景效果图和/或空白场景图生成线框图。


3.根据权利要求1或2所述的一种基于神经网络的家装场景设计方法，其特征在于，所述方法还包括：
采用现有场景效果图作为所述GAN模型的训练数据进行闭环学习。


4.根据权利要求3所述的一种基于神经网络的家装场景设计方法，其特征在于，所述采用现有场景效果图作为所述GAN模型的训练数据进行闭环学习，具体包括：
通过所述训练数据提取线框图，同时让所述GAN模型的生成器与所述训练数据一起作为输入和所述GAN模型的判别器进行对抗训练，从而优化GAN模型的参数，直至整个训练过程收敛。

【专利技术属性】
技术研发人员：朱燕，贾雪辉，孙德晖，
申请(专利权)人：东易日盛家居装饰集团股份有限公司，
类型：发明
国别省市：北京;11