14、自动数据驱动的房间设计生成方法解析

自动数据驱动的房间设计生成方法解析

1. 基于主题模型的对象选择

1.1 监督主题模型学习

在对象选择方面，为了避免使用针对每个场景类别进行经验硬编码的生成模型，我们采用了一种通用的模型来适应所有房间功能。该灵感来源于自然语言处理中的词袋模型主题建模，其目的是在单词和文档中找到隐藏的主题。

我们使用了一种监督主题建模方法——标记LDA（Labeled LDA），将房间功能的监督信息融入其中。以下是标记LDA与我们模型的概念类比：
| 标记LDA中的概念 | 我们模型中的概念 | 符号 |
| — | — | — |
| 文档 | 房间 | (D = {d_1, d_2, …}) |
| 文档的标签 | 房间的功能 | (\Lambda(d) = [\Lambda(d) 1, \Lambda(d)_2, … \Lambda_K]^T) |
| 文档的主题分布 | 房间的功能分布 | (\theta(d) = [\theta(d)_1, \theta(d)_2, …, \theta(d)_K]^T) |
| 文档中的单词 | 房间中的对象 | (w(d) = {w(d)_1, w(d)_2, … w(d) {N_d}}) |

对于每个训练房间 (d)，它由对象列表 (w(d)) 和功能存在向量 (\Lambda(d)) 表示。功能存在向量的长度为 (K)，表示所有唯一功能的数量。如果第 (i) 个唯一功能包含在房间 (d) 中，(l(d)_i = 1)；否则，(l(d)_i = 0)。

生成模型的详细步骤如下：
1. 对于每个功能 (\Lambda_