GenScan: A Generative Method for Populating Parametric 3D Scan Datasets

Abstract

The availability of rich 3D datasets corresponding to the geometrical complexity of the built environments is considered an ongoing challenge for 3D deep learning methodologies. To address this challenge, we introduce GenScan, a generative system that populates synthetic 3D scan datasets in a parametric fashion. The system takes an existing captured 3D scan as an input and outputs alternative variations of the building layout including walls, doors, and furniture with corresponding textures. GenScan is fully automated system that can also be manually controlled by a user through an assigned user interface. Our proposed system utilizes a combination of a hybrid deep neural network and a parametrizer module to extract and transform elements of a given 3D scan. GenScan takes advantage of style transfer techniques to generate new textures for the generated scenes. We believe our system would facilitate data augmentation to expand the currently limited 3D geometry datasets commonly used in 3D computer vision, generative design and general 3D deep learning tasks.

Aprendizagem de máquinas aplicada a modelos de informação de construção: BIM2GNN

“…Embora estas técnicas tenham começado a utilizar dados 3D como input, a utilização de modelos BIM ainda foi limitada. Os campos de aplicação ML propostos incluem a detecção de colisões [21], estimativa de custos [22], conversão de nuvem de pontos de varrimento 3D para BIM [23,24], fabricação digital [25], modelação energética ou sustentabilidade [26]. Não obstante, a revisão bibliográfica realizada para este estudo mostra que, para conhecimento dos autores, não existe um trabalho relevante na gestão do processo de desenho arquitetónico conceptual através da integração de dados ML e BIM.…”