Co-Layout: LLM-driven Co-optimization for Interior Layout

Dit artikel presenteert Co-Layout, een nieuw raamwerk dat grote taalmodellen combineert met roostergebaseerde integer-programmering en een grof-naar-fijn optimalisatiestrategie om binneninrichtingen en meubelplaatsing gezamenlijk te optimaliseren op basis van tekstuele prompts.

De kern

Stel je voor dat je een huis wilt inrichten, maar in plaats van een dure architect in te huren die jarenlang ervaring heeft, vraag je het aan een slimme robot. Deze robot moet twee dingen tegelijk doen: de muren van de kamers neerzetten én de meubels (zoals bedden en banken) op de juiste plek zetten.

Het probleem? Als je eerst de muren maakt en daarna pas de meubels, krijg je vaak een rommel. Misschien staat de bank dan voor de deur, of is de slaapkamer zo klein dat je er niet eens in kunt lopen.

Dit paper, getiteld "Co-Layout", introduceert een nieuwe manier om dit op te lossen. Het is als het hebben van een twee-in-één meesterbouwer die alles in één keer perfect regelt. Hier is hoe het werkt, vertaald naar alledaags taal:

1. De Slimme Vertaler (De LLM)

Eerst praat je tegen de computer in gewone taal. Je zegt bijvoorbeeld: "Ik wil een appartement van 100 vierkante meter voor een gezin van drie, met een grote woonkamer en een slaapkamer in de hoek."

In het verleden snapten computers dit niet goed genoeg om er een plattegrond van te maken. Maar dit systeem gebruikt een LLM (een heel slimme taalcomputer, zoals een super-ChatGPT). Deze computer fungeert als een architect-vertaler. Hij luistert naar je wensen en schrijft een gedetailleerde "bouwhoek" op. Hij denkt na over dingen als:

• "De slaapkamer moet stil zijn."
• "De keuken moet naast de woonkamer zitten."
• "Er moet een gang zijn die naar alle kamers leidt."

Hij maakt geen tekening, maar een lijst met regels en wensen.

2. Het Legpuzzel (Het Rooster)

Nu komt het magische deel. De computer neemt de hele vloer en verdeelt die in een gigantisch legpuzzel van kleine vierkante vakjes (een rooster). Denk aan een bord met honderden kleine blokjes.

Elk blokje kan iets zijn:

• Een stukje van de slaapkamer.
• Een stukje van de gang.
• Een stukje van een bed.
• Of leeg (buiten de deur).

De computer moet nu een enorme puzzel oplossen: "Welke blokjes horen bij welke kamer, en waar moet het bed precies staan, zodat niemand tegen de muur loopt en alles logisch is?"

3. De "Groot-naar-Klein" Strategie (De Truc voor Snelheid)

Het oplossen van deze puzzel met duizenden blokjes is voor een computer als het proberen om een heel groot legpuzzel in één keer te maken. Dat duurt eeuwen.

Daarom gebruiken ze een slimme truc, de "Coarse-to-Fine" strategie (van grof naar fijn):

1. Eerst het grove plaatje: Ze maken het legpuzzel eerst heel groot. In plaats van 100 kleine blokjes, gebruiken ze 10 grote blokjes. De computer bedenkt snel: "Oké, links is de slaapkamer, rechts de woonkamer." Dit is makkelijk en snel.
2. Dan het fijne plaatje: Vervolgens nemen ze die grote oplossing en maken ze het rooster weer klein (fijn). Ze gebruiken het grove antwoord als een startpunt. De computer hoeft niet meer bij nul te beginnen; hij weet al waar de kamers ongeveer moeten zijn. Hij hoeft alleen nog maar de meubels op de juiste plek te schuiven binnen die kamers.

Dit is alsof je eerst een schets maakt op een napkin en die pas later uitwerkt in een gedetailleerd schilderij. Het bespaart enorm veel tijd.

4. Waarom is dit beter dan de oude methoden?

Vroeger deden computers dit in twee stappen: eerst de kamers, dan de meubels.

• Oude methode: De computer zet de muren neer. Dan probeert hij de meubels erin te proppen. Resultaat? De bank staat voor de deur, of de gang is zo smal dat je er niet doorheen kunt.
• Nieuwe methode (Co-Layout): Omdat de computer de kamers en meubels tegelijkertijd optimaliseert, zorgt hij ervoor dat er altijd een weg is naar elke kamer en dat de meubels nooit in de weg staan.

Samenvatting

Dit systeem is als een meester-architect die:

1. Luistert naar je wensen (via de taalcomputer).
2. De hele vloer ziet als een legpuzzel.
3. Eerst een snelle schets maakt en die daarna verfijnt.
4. Zorgt dat alles perfect past, zodat je nooit een kamer hebt waar je niet bij kunt komen.

Het resultaat is een plattegrond die niet alleen er mooi uitziet, maar ook logisch en bewoonbaar is, precies zoals een echte mens het zou ontwerpen, maar dan in een paar seconden.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Co-Layout: LLM-driven Co-optimization for Interior Layout" in het Nederlands.

Probleemstelling

Interieurontwerp is een complex proces waarbij professionele experts de ruimteindeling (kamers, gangen) en de plaatsing van meubels gelijktijdig moeten optimaliseren. Bestaande geautomatiseerde methodes splitsen dit proces vaak op in twee aparte fasen: eerst de vloerplaat genereren en daarna meubels toevoegen. Deze aanpak leidt vaak tot suboptimale resultaten, zoals ondoordachte circulatiepaden, kamers die niet bereikbaar zijn, of meubels die de functionaliteit van de ruimte belemmeren.

Daarnaast hebben Large Language Models (LLMs) weliswaar de capaciteit om semantische eisen uit tekstuele prompts te halen, maar zijn ze niet in staat om nauwkeurige coördinaten te genereren zonder conflicten (zoals overlappende objecten of onlogische ruimtelijke relaties). Er is dus behoefte aan een systeem dat de semantische kracht van LLMs combineert met een wiskundig rigoureuze optimalisatie om zowel de ruimtelijke indeling als de meubelplaat gelijktijdig (co-optimization) te bepalen.

Methodologie

Het voorgestelde framework, Co-Layout, bestaat uit drie hoofdfasen die een tekstuele prompt omzetten in een gedetailleerd 3D-interieurontwerp:

1. LLM-gedreven Preprocessing (Agent Workflow)

In plaats van handmatig constraints te definiëren, gebruikt het systeem een multi-agent LLM-workflow om de gebruikersinput (bijv. "ontwerp een appartement van 100m² voor een gezin van 3") te vertalen naar gestructureerde ontwerpconstraints.

• Agents: Speciale agents analyseren de basisinformatie, de omgeving (licht, windrichting), de ruimtelijke indeling (kamers, hoeken, aangrenzende ruimtes) en de meubelvereisten.
• Output: Het resultaat is een gestructureerde "scene graph" met lijsten van kamers en meubels, inclusief hun vereiste afmetingen, relatieve posities, en specifieke constraints (bijv. "slaapkamer moet op het noorden liggen", "gang moet alle kamers verbinden").

2. Grid-based Formulering en Integer Programming

De kern van de methode is het vertalen van deze semantische constraints naar een wiskundig optimalisatieprobleem.

• Grid-Representatie: De vloer wordt gemodelleerd als een 2D-raster (grid), geïnspireerd op het architecturale concept van de "Modulor". Elke cel in het raster kan worden toegewezen aan een gang, een specifieke kamer, of een meubelstuk.
• Integer Programming (IP): Het probleem wordt geformuleerd als een Integer Programming-probleem.
  • Variabelen: Binair variabelen bepalen of een cel behoort tot een kamer ($x$), een gang ($p$), of een meubel ($f$).
  • Constraints:
    • Niet-overlappend: Elke cel mag slechts één functie hebben.
    • Gangconnectiviteit: Een stromingsgebaseerde (flow-based) formulatie zorgt ervoor dat alle kamers en open ruimtes verbonden zijn via een enkel gangennetwerk.
    • Toegankelijkheid: Elke kamer moet een toegangsdeur hebben die niet wordt geblokkeerd door meubels.
    • Aangrenzing: Specifieke ruimtes moeten grenzen aan elkaar.
  • Doelfuncties: De optimalisatie minimaliseert penalties voor onregelmatige vormen, te grote afwijkingen van de gewenste oppervlakte, en slechte verdeling van meubels.

3. Grof-naar-Fijn Optimalisatie Strategie (Coarse-to-Fine)

Het oplossen van het IP-probleem op een hoge resolutie (veel rastercellen) is computationeel zeer duur (exponentiële complexiteit). Om dit op te lossen, introduceert het paper een Coarse-to-Fine strategie:

1. Grof Fase: Het probleem wordt eerst opgelost op een gereduceerd raster (bijv. 6x5 in plaats van 12x10). Hierbij wordt alleen de indeling van de kamers geoptimaliseerd; meubels worden voorlopig genegeerd.
2. Mapping: De oplossing van het grove raster wordt gemapt naar het fijne raster als een "warm start" (initiële waarde).
3. Fijne Fase: Het volledige probleem (kamers + meubels) wordt op het originele fijne raster opgelost, waarbij de grove oplossing als leidraad dient. Dit versnelt het proces aanzienlijk zonder in te leveren op de kwaliteit.

4. Visualisatie

De gegenereerde layout wordt omgezet in een "scene white box" in Blender. Via semantische embedding en grootte-matching worden geschikte 3D-meubelassets opgehaald uit bibliotheken (zoals 3D-FUTURE en Imaginarium) om de scène te vullen.

Belangrijkste Bijdragen

1. Gelijktijdige Co-Optimalisatie: Het is het eerste framework dat kamers en meubels tegelijkertijd optimaliseert onder LLM-genereren constraints, wat zorgt voor een betere functionele coherentie dan bestaande twee-staps methoden.
2. Formalisatie via Integer Programming: Het introduceert een unificatie van LLM-outputs en wiskundige optimalisatie via een grid-based representatie, wat complexe constraints zoals gangconnectiviteit en toegankelijkheid expliciet en strikt garandeert.
3. Efficiëntie door Coarse-to-Fine: De ontwikkelde strategie maakt het oplossen van grote, realistische vloerplannen mogelijk binnen een redelijke rekentijd, wat eerder ondoenlijk was voor dergelijke complexe IP-problemen.

Resultaten

De methode is geëvalueerd op diverse scenario's (woningen, kantoren, winkels) en vergeleken met state-of-the-art baselines (Holodeck en AnyHome).

• Kwantitatieve Evaluatie:
  • Fysieke Plausibiliteit: Co-Layout bereikte een overlap rate (OOR) en out-of-bound rate (OOB) van 0.00, terwijl baselines vaak fouten hadden (bijv. Holodeck had een OOR van 0.82).
  • Kwaliteit en Esthetiek: Het scoorde hoger op image quality assessment (IQA) en aesthetic assessment (IAA).
  • Tekst-Beeld Alignement: Hoge CLIP-scores bevestigen dat het ontwerp sterk overeenkomt met de tekstuele prompt.
• Kwalitatieve Evaluatie:
  • Baselines produceerden vaak onlogische circulatiepaden (bijv. door een slaapkamer moeten lopen om de woonkamer te bereiken) of onbereikbare kamers.
  • Co-Layout produceerde altijd structureel sounde ontwerpen met duidelijke circulatie en volledige toegankelijkheid.
• User Study: Een studie met 71 deelnemers toonde aan dat gebruikers de layouts van Co-Layout significant prefereerden boven de baselines op het gebied van semantische alignement, layout rationaliteit en padhelderheid (Mean Reciprocal Rank van 0.80 vs. ~0.60 voor baselines).
• Efficiëntie: De ablatiestudie toonde aan dat de coarse-to-fine strategie de rekentijd drastisch reduceert (bijv. van ~1800s naar ~155s op een 16x16 grid) zonder de oplossing te verstoren.

Significantie

Co-Layout markeert een belangrijke stap in de automatisering van interieurontwerp. Het overbrugt de kloof tussen de creatieve, semantische kracht van LLMs en de strikte, wiskundige noodzaak van haalbare architecturale ontwerpen. Door het probleem als een geïntegreerd optimalisatieprobleem te behandelen in plaats van een opeenvolgende keten, lost het fundamentele beperkingen op van huidige generatieve modellen: het garandeert dat ontwerpen niet alleen er goed uitzien, maar ook functioneel, logisch en bouwbaar zijn. Dit heeft grote potentie voor het versnellen van het werk van professionele ontwerpers en het democratiseren van hoogwaardig interieurontwerp.