Details
| Title | Автоматическая генерация 3D-моделей помещений на основе планировок с использованием искусственного интеллекта = Automatic 3d room model generation from floor plans using artificial intelligence // Промышленный искусственный интеллект (ПИИ'2025): Всероссийская научно-практическая конференция с международным участием 3–4 июля 2025 года: cборник научных трудов |
|---|---|
| Creators | Паращук Дмитрий Иванович ; Карякин Юрий Евгеньевич |
| Organization | АО «СОЛАР СЕКЬЮРИТИ»; Тюменский государственный университет |
| Imprint | Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2025 |
| Collection | Общая коллекция |
| Subjects | Компьютерное моделирование ; Нейронные сети ; Искусственный интеллект ; 3D-моделирование помещений ; 2D-планировки ; глубокое обучение ; семантическая сегментация ; ансамблевое обучение ; распознавание стен ; 3D-room modeling ; 2D floor plans ; deep learning ; semantic segmentation ; ensemble learning ; wall detection ; convolutional neural networks |
| UDC | 004.94; 004.032.26 |
| Document type | Article, report |
| Language | Russian |
| DOI | 10.18720/SPBPU/2/id25-541 |
| Rights | Доступ по паролю из сети Интернет (чтение, печать, копирование) |
| Record key | RU\SPSTU\edoc\77877 |
| Record create date | 12/24/2025 |
Allowed Actions
–
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
| Group | Anonymous |
|---|---|
| Network | Internet |
В данной работе разработано решение для автоматической генерации 3D-моделей помещений на основе 2D-планировок с применением методов искусственного интеллекта. Основной задачей была выбрана сегментация стен, так как они определяют основную структуру помещения, необходимую для создания точной 3D-модели [2, 3, 7, 8]. Для решения сформирован набор данных из планировок, содержащий 700 изображений с применением аугментаций, таких как обрезка, поворот и изменение цветового тона. Исследованы архитектуры нейронных сетей UNetPlusPlus [10], DeepLabV3Plus [9], FPN [4] и PSPNet [9] с различными энкодерами: efficientnet [5], resnet [6] и mobilenet, а также протестированы функции потерь, включая LovaszLoss [1], FocalLoss, DiceLoss и их комбинации. Лучшие модели объединены в ансамбль для повышения точности распознавания стен. Для очистки полученных масок были применены морфологические операции. В результате решение позволяет построить 3D-модели помещений, с возможностью экспорта для дальнейшей доработки. В статье описан выбор методов, процесс построения моделей и результаты экспериментов, а также сделаны выводы о возможностях применения разработанного подхода.
This paper develops a solution for the automatic generation of 3D models of indoor spaces based on 2D floor plans using artificial intelligence methods. The segmentation of walls was chosen as the primary task, as they define the core structure of a space, essential for creating an accurate 3D model [2, 3, 7, 8]. To address this, a dataset of floor plans was compiled, containing 700 images augmented with techniques such as cropping, rotation, and hue adjustment. Several neural network architectures, namely UNetPlusPlus [10], DeepLabV3Plus [9], FPN [4], and PSPNet [9], were investigated with various encoders: efficientnet [5], resnet [6], and mobilenet. Different loss functions, including LovaszLoss [1], FocalLoss, DiceLoss, and their combinations, were also tested. The best-performing models were combined into an ensemble to enhance the accuracy of wall segmentation. Morphological operations were applied to refine the resulting masks. As a result, the solution enables the creation of 3D models of indoor spaces, which can be exported for further processing. The paper describes the selection of methods, the model-building process, experimental results, and provides conclusions on the potential applications of the developed approach.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | Authorized users SPbPU |
|
| Internet | Anonymous |
|
