Grundrissrekonstruktion aus spärlichen Ansichten: Kombination von Graphen-Neuronalen-Netzen mit eingeschränkter Diffusion

Wir beschäftigen uns mit dem herausfordernden Problem der Grundrissrekonstruktion aus spärlichen Ansichten und einem Raumvernetzungsgraphen. In einer ersten Phase konstruieren wir eine flexible Graphstruktur, die den Vernetzungsgraphen und die spärlich beobachteten Daten vereinigt. Mit unserer Graphen-Neuronalen-Netz-Architektur können wir dann die verfügbaren Informationen verfeinern und nicht beobachtete Raumeigenschaften vorhersagen. In einem zweiten Schritt führen wir ein Modell zur eingeschränkten Diffusion ein, um einen konsistenten Grundriss zu rekonstruieren, der mit den verfügbaren Informationen übereinstimmt, trotz seiner Sparsamkeit. Genauer gesagt, verwenden wir einen Cross-Attention-Mechanismus, der mit Formbeschreibungen ausgestattet ist, um zu gewährleisten, dass der erzeugte Grundriss sowohl die Eingangsraumvernetzung als auch die Geometrie widerspiegelt, die in den spärlichen Ansichten beobachtet wurde.