🤖 machine learning

HypergraphFormer: Learning Hypergraphs from LLMs for Editable Floor Plan Generation

HypergraphFormer は、ハイパーグラフ表現を学習することで編集可能な間取り図を生成する革新的な LLM ベースのアプローチであり、精度、データ効率、任意の境界への適応性において最先端の手法を上回ります。

原著者： Nikita Klimenko, Hesam Salehipour, Parham Eftekhar, Amir Khasahmadi, Ramon Elias Weber

公開日 2026-05-20

📖 1 分で読めます☕ さくっと読める

原著者： Nikita Klimenko, Hesam Salehipour, Parham Eftekhar, Amir Khasahmadi, Ramon Elias Weber

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたがアパートを設計しようとする建築家だと想像してください。通常、すべての壁、ドア、部屋を手で何度も何度も描き直し、すべてが完璧に収まるようにする必要があります。壁を移動させたり、バスルームを追加したりしたい場合、描画の大きな部分を消去し、そのセクションを最初からやり直すことがよくあります。これは遅く、苛立たしく、正しく行うのが難しいものです。

この論文は、このプロセスの考え方を変える新しいツール「HypergraphFormer」を紹介します。壁を直接描くのではなく、システムはアパートの「レシピ」を書くことを学びます。

これがどのように機能するかを、簡単な比喩を使って説明します。

1. 「ケーキ」ではなく「レシピ」

現在のほとんどの AI ツールは、画家が絵を描くようにフロアプランを生成しようとします。壁のすべてのピクセルがどこにあるかを推測します。AI が間違えると、壁がぼやけたり、ドアがソファの真ん中にあるようになったりします。それを修正するには、絵全体を再描画する必要があります。

HypergraphFormer は異なります。絵を描く代わりに、レシピを書きます。

アパートを大きな粘土の塊だと考えてください。
AI はすぐに最終的な形を彫ろうとはしません。代わりに、一連の指示を書き出します。「塊を半分に切る。左側のピースをもう一度切る。右側のピースを寝室にくり抜く。」
この「レシピ」はハイパーグラフと呼ばれます。壁の正確な形状を気にすることなく、空間の論理（部屋がどのように接続するか）を記述します。

2. 「賢いシェフ」（LLM）

この論文では、「大規模言語モデル（LLM）」を使用します。これは、数百万冊の料理本を読んだ非常に賢いシェフのようなものです。

通常、シェフ（LLM）は物語を書くことや質問に答えるのが得意です。
研究者たちは、このシェフに新しいスキルを教え込みました。要件リスト（例：「キッチン、2 つの寝室、廊下に接続するバスルームが必要」）を読み、アパートのための完璧な「切断レシピ」（ハイパーグラフ）を書くことです。
このシェフは論理と言語を理解するのが非常に得意であるため、以前にその特定のアパートの形状を見たことがなくても、空間を分割する最良の方法を把握できます。

3. なぜこれがゲームチェンジャーなのか

この論文は、この新しい方法の主な 3 つの超能力を強調しています。

編集可能であること（「レゴ」効果）：
AI がレシピを書くため、指示を簡単に変更できます。バスルームを追加したい場合は、システムに「レシピにバスルームを追加してください」と伝えるだけです。システムは論理を更新し、アパートは新しい部屋に合うように自動的に形を変えます。全体を再描画する必要はありません。城全体を溶かすことなく、レゴのブロックを交換するようなものです。
あらゆる形状に適合すること（「オーダーメードのスーツ」）：
古い方法は、クッキー型のようにアパートを完璧な正方形や長方形に押し込めようとすることがよくあります。三角形や L 字型のような奇妙な形状の敷地を与えると、彼らは苦労します。
HypergraphFormer は異なります。奇妙でカスタム形状のアウトライン（カスタムスーツのパターンのようなもの）を与えると、内部をその形状に完璧に適合するように分割し、隙間や重なる壁はありません。
素早く学習すること（「賢い学生」）：
通常、AI は新しいタスクを学習するために数千の例を見る必要があります。この方法は驚くほど効率的です。この論文は、AI に「レシピ」形式を教えることで、他の方法が必要とするデータのほんの一部だけで、優れたアパートの設計を学習できることを示しています。これは、数学の原理を非常に良く理解した学生が、すべての例を暗記する必要なく新しい問題を解けるようなものです。

4. 結果

研究者たちは、この方法を 2 つの異なるアパートプランのセットでテストしました。

標準的なプラン： 以前のすべてのトップツールよりも優れたパフォーマンスを発揮し、より論理的でエラーの少ないレイアウトを作成しました。
奇妙/現実世界のプラン： 訓練データとは非常に異なる外観の、実際の建築家によって設計されたアパートのデータセットでテストしました。他のツールは失敗したり、散漫な結果を生み出したりしましたが、HypergraphFormer は素早く適応し、高品質なデザインを生み出しました。

まとめ

要約すると、HypergraphFormer はピクセルごとにフロアプランを「描く」ことをやめます。代わりに、空間の論理的なレシピを AI に書かせます。これにより、設計の修正が容易になり、奇妙な形状への適合が簡単になり、学習が大幅に高速化されます。これは、建築設計という困難な仕事を、人間と賢いコンピュータの間での柔軟で編集可能な対話へと変えます。

技術的概要：HypergraphFormer

問題定義

建築的な間取り図の生成は、競合する空間的および機能的要件のバランスを取ることを必要とする、複雑で反復的なプロセスである。自動化された生成のための既存の深層学習アプローチは、通常、2 つの出力表現のいずれかに依存しており、どちらも構造的な限界を有している：

ラスタベース手法：空間解像度がピクセルサイズによって制限され、壁が暗黙的に符号化され、実用的な間取り図を回復するために多大な後処理を必要とする低解像度のピクセルマスクを生成する。
ベクタベース手法：部屋ごとの多角形または座標ペアを予測するが、しばしば固定された境界内での軸方向に整列した長方形にレイアウトを制限し、閉塞と整合性のために幾何学的な後処理に依存する。

さらに、先行手法は編集性（変更のために完全な再推論またはトレーニング時の専用機構を必要とする）、データ効率（膨大なデータセットを必要とする）、および分布外（OOD）汎化（トレーニングデータとは異なる境界形状や部屋数を持つ建築家による設計の間取り図で失敗する）において困難に直面している。最近の研究は大規模言語モデル（LLM）を活用しているが、既存のパイプラインはしばしば幾何学的生成を拡散モデルまたはラスタデコーダに委ねており、同じ限界を継承している。

手法

著者は、アパートの外周境界を内部レイアウトから分離する、表現中心のフレームワークであるHypergraphFormerを提案する。モデルはピクセルや生幾何学を生成するのではなく、構造化されたハイパーグラフテキスト表現を生成する。

ハイパーグラフ表現

Weber ら [15] から採用されたハイパーグラフ表現は、間取り図を以下のように分解する：

境界：アパートの敷地を定義する明示的な多角形。
ハイパーグラフ（構造化 JSON）：
- 二値空間分割（BSP）木：中間ノードは内部の二値空間分割を符号化し、空間分解を階層的に表現する。
- 葉ノード：部屋ごとの意味情報（種類、面積）を保持する。
- アクセスグラフ：部屋間の機能的接続（ドアの接続）を捉える。

この定式化により、ハイパーグラフを規定された空間に適合させることで、任意のユーザー指定境界（マンハッタン型以外の形状を含む）に対する間取り図の生成が可能となる。

学習パイプライン

核心的な手法は、LoRA（低ランク適応）を用いて、小規模な指示調整済み LLM（具体的にはQwen3-4B）を**教師あり微調整（SFT）**することである。

入力：アクセスグラフ（部屋の接続性を定義）。
出力：構造的な不変条件（BSP トポロジー、葉ノードのみの接続、面積保存、軸方向分割）を満たすハイパーグラフ JSON 文字列。
トレーニングデータ：ハイパーグラフ形式に変換されたRPLANデータセットでモデルをトレーニングする。
推論：モデルはアクセスグラフからハイパーグラフを生成する。その後、そのハイパーグラフはユーザー指定の境界内で幾何学的レイアウトへと手続き的にインスタンス化される。

手続き的編集

このシステムの主要な特徴は、LLM を再実行することなく軽量かつ決定論的な編集を行う後処理パイプラインである：

部屋の追加/削除：予測された部屋の多重集合を入力アクセスグラフと整合させる。
向き選択：各部屋のコンパクトさを最大化するためにレイアウトを回転または反転させる。
パラメトリック最適化：勾配降下法を用いて BSP 分割パラメータを微調整し、部屋の面積比率とコンパクトさを最適化する。

さらに、ハイパーグラフ形式は BSP 木とアクセスグラフを直接操作することで、より高レベルの編集（例：部屋の種類の交換、サイズ変更、特定の部屋の向き変更）のためのLLM ツール呼び出しをサポートする。

主要な貢献

表現：軽量な LLM を微調整することで、構造化されたハイパーグラフ表現を直接生成できることを実証し、ラスタ化や部屋ごとの多角形予測なしに任意の境界に適合する間取り図生成を可能にした。
編集性：この表現により、部屋の追加/削除、回転、面積の微調整などの高速な LLM 不要の手続き的編集と、ツール呼び出しによる高レベルの編集が可能となり、先行のベースラインよりも優れた編集性を提供することを示した。
データ効率：ベースラインが必要とするトレーニングデータのほんの一部のみを使用して、最先端（SOTA）の精度と同等の性能を達成することを示す制御された研究を実施した。
分布外（OOD）汎化：サイズ、寝室数、境界幾何学の分布が RPLAN トレーニングセットと大きく異なる、建築家による設計の間取り図のキュレーションデータセットであるWMR24において、強力な汎化性能を実証した。
リソース：WMR24 データセットと、トレーニング、推論、データセット変換、手続き的編集のための完全なコードを公開した。

結果

この手法は、HouseGAN++、HouseDiffusion、iPLAN、DiffPlanner などの SOTA ベースラインに対して、RPLAN（分布内）およびWMR24（分布外）で評価された。

構造的精度：RPLAN において、HypergraphFormer は厳密なアクセスグラフ精度（A）で**40.9%を達成し、HouseGAN++（6.0%）や HouseDiffusion（16.3%）を大幅に上回った。設計上、部屋セットの多重集合精度（Atc）は100.0%**を達成した。
幾何学とタイル配置：この手法は構築上、境界の溢出（ $\rho_{out}$ ）を0.00%、部屋の重なり（ $\rho_{ovl}$ ）を**0.00%**とし、他の手法は顕著なタイル配置違反を示した。
OOD 汎化：WMR24 において、HypergraphFormer は厳密な精度を**52.5%まで向上させ、多重集合精度を99.9%**でほぼ完璧に維持した。対照的に、ベースラインは性能が崩壊し（例：HouseDiffusion の精度は 2.6% まで低下）、その傾向が見られた。
データ効率：HypergraphFormer はわずか1,000 サンプル（ベースラインのトレーニングデータの約 1.8%）でトレーニングされ、フルデータセットでトレーニングされた HouseGAN++（8.5%）や HouseDiffusion（2.6%）よりも WMR24 において高い精度（12.3%）を達成した。
視覚的品質：定性的な比較により、HypergraphFormer は重なり合う部屋や不可能なレイアウトなどの一般的なアーティファクトを回避し、境界を正確にタイル配置する視覚的に妥当な間取り図を生成することが示された。

意義と主張

本論文は、間取り図生成における編集性、データ効率、および OOD 汎化の主要な駆動力はモデルの規模ではなく、表現であると主張している。高次元の幾何学ではなく、明示的な制約を持つ小さく構造化されたオブジェクトであるハイパーグラフを出力することで、LLM は制約を正確に満たすことができる。これにより以下が可能となる：

ネイティブな編集性：構造的な変化は、完全な再推論を回避し、テキストベースのハイパーグラフに対する軽量な編集に対応する。
境界からの独立性：境界を内部レイアウトから分離することで、任意の、軸方向に整列しない敷地形状が可能となる。
頑健性：ハイパーグラフの構成的構造と LLM の事前知識の組み合わせにより、トレーニング分布とは異なる建築家による設計の間取り図においても頑健な性能を発揮する。

著者は、HypergraphFormer を、LLM を人間が解釈可能な設計抽象化と統合する一歩として位置づけ、生画像合成よりも構造化された編集可能な出力を優先している。彼らは、曲線壁を除外する直線/直線分割の仮定や、単一アパートメントのレイアウトに焦点を当てていることなどの限界を認め、これらを今後の研究の方向性として提案している。