🤖 machine learning

HypergraphFormer: Learning Hypergraphs from LLMs for Editable Floor Plan Generation

HypergraphFormer is een nieuwe, op LLM's gebaseerde aanpak die bewerkbare plattegronden genereert door hypergraafrepresentaties te leren en presteert beter dan de state-of-the-art methoden op het gebied van nauwkeurigheid, data-efficiëntie en aanpasbaarheid aan willekeurige grenzen.

Oorspronkelijke auteurs: Nikita Klimenko, Hesam Salehipour, Parham Eftekhar, Amir Khasahmadi, Ramon Elias Weber

Gepubliceerd 2026-05-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nikita Klimenko, Hesam Salehipour, Parham Eftekhar, Amir Khasahmadi, Ramon Elias Weber

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een architect bent die een appartement probeert te ontwerpen. Meestal moet je elke muur, deur en kamer handmatig tekenen, keer op keer, om ervoor te zorgen dat alles perfect op elkaar aansluit. Als je een muur wilt verplaatsen of een badkamer wilt toevoegen, moet je vaak een groot stuk van je tekening wissen en dat gedeelte opnieuw beginnen. Het is traag, frustrerend en moeilijk om het goed te krijgen.

Dit artikel introduceert een nieuw hulpmiddel genaamd HypergraphFormer dat verandert hoe we naar dit proces kijken. In plaats van de muren direct te tekenen, leert het systeem een "recept" voor het appartement te schrijven.

Hier is hoe het werkt, met eenvoudige analogieën:

1. Het "Recept" in plaats van de "Taart"

De meeste huidige AI-tools proberen plattegronden te genereren zoals een schilder een schilderij maakt. Ze raden waar elke pixel van de muur moet komen. Als de AI een fout maakt, kan de muur wazig zijn, of kan de deur midden op een bank staan. Om het te herstellen, moet je vaak het hele schilderij opnieuw beschilderen.

HypergraphFormer is anders. In plaats van een schilderij te maken, schrijft het een recept.

Denk aan een appartement als een groot blok klei.
De AI probeert niet direct de uiteindelijke vorm te vormen. In plaats daarvan schrijft het een reeks instructies op: "Deel het blok in tweeën. Neem het linkerstuk en deel het opnieuw. Neem het rechterstuk en hak er een slaapkamer uit."
Dit "recept" heet een Hypergraaf. Het beschrijft de logica van de ruimte (hoe kamers met elkaar verbonden zijn) zonder zich nog zorgen te maken over de exacte vorm van de muren.

2. De "Slimme Kok" (De LLM)

Het artikel gebruikt een "Large Language Model" (LLM), wat vergelijkbaar is met een zeer slimme kok die miljoenen kookboeken heeft gelezen.

Normaal gesproken zijn koks (LLM's) geweldig in het schrijven van verhalen of het beantwoorden van vragen.
De onderzoekers leerden deze kok een nieuwe vaardigheid: het lezen van een lijst met eisen (bijvoorbeeld "Ik heb een keuken, twee slaapkamers en een badkamer nodig die verbonden is met de gang") en het schrijven van het perfecte "snijrecept" (de Hypergraaf) voor een appartement.
Omdat de kok zo goed is in het begrijpen van logica en taal, kan hij de beste manier bedenken om de ruimte op te delen, zelfs als hij die specifieke appartementenvorm nog nooit heeft gezien.

3. Waarom dit een Game-Changer is

Het artikel benadrukt drie belangrijkste superkrachten van deze nieuwe methode:

Het is Bewerkbaar (Het "Lego"-effect):
Omdat de AI een recept schrijft, kun je de instructies eenvoudig aanpassen. Als je een badkamer wilt toevoegen, zeg je gewoon tegen het systeem: "Voeg een badkamer toe aan het recept." Het systeem past de logica aan en het appartement vormt zichzelf automatisch om om de nieuwe kamer te passen. Je hoeft het hele ding niet opnieuw te tekenen. Het is alsof je een Lego-blokje verwisselt zonder het hele kasteel te hoeven smelten.
Het Past in Elke Vorm (Het "Op Maat Gemaakte Kostuum"):
Oude methoden proberen appartementen vaak in een perfect vierkant of rechthoek te dwingen, zoals een koekjessteker. Als je hen een raar gevormd perceel geeft (zoals een driehoek of een L-vorm), hebben ze moeite.
HypergraphFormer is anders. Je kunt het een raar, op maat gemaakt omtrek geven (zoals een patroon voor een op maat gemaakt kostuum), en het zal het interieur zo opdelend dat het perfect in die exacte vorm past, zonder gaten of overlappende muren.
Het Loopt Snel (De "Slimme Student"):
Normaal gesproken moet AI duizenden voorbeelden zien om een nieuwe taak te leren. Deze methode is opvallend efficiënt. Het artikel laat zien dat door de AI het "recept"-formaat te leren, het kan leren om geweldige appartementen te ontwerpen met slechts een klein deel van de data die andere methoden nodig hebben. Het is als een student die de principes van wiskunde zo goed leert dat hij nieuwe problemen kan oplossen zonder elk enkel voorbeeld uit het hoofd te hoeven leren.

4. De Resultaten

De onderzoekers hebben dit getest op twee verschillende sets van appartementenplannen:

Standaard Plannen: Het presteerde beter dan alle vorige top-tools, met plattegronden die logischer waren en minder fouten hadden.
Raar/Realistische Plannen: Ze testten het op een dataset van door echte architecten ontworpen appartementen die er heel anders uitzagen dan de trainingsdata. Terwijl andere tools faalden of rommelige resultaten opleverden, paste HypergraphFormer zich snel aan en produceerde het hoogwaardige ontwerpen.

Samenvatting

Kortom, HypergraphFormer stopt met proberen de plattegrond pixel voor pixel te "tekenen". In plaats daarvan leert het een AI om een logisch recept voor de ruimte te schrijven. Dit maakt de ontwerpen gemakkelijker te herstellen, gemakkelijker aan te passen aan rare vormen en veel sneller te leren. Het verandert het moeilijke werk van architecturaal ontwerp in een flexibele, bewerkbare conversatie tussen een mens en een slimme computer.

Technische Samenvatting: HypergraphFormer

Probleemstelling

Het genereren van plattegronden is een complex, iteratief proces dat het in evenwicht brengen van concurrerende ruimtelijke en functionele vereisten vereist. Bestaande deep-learning-benaderingen voor geautomatiseerde generatie vertrouwen doorgaans op een van de twee uitvoerrepresentaties, die beide structurele beperkingen hebben:

Rastergebaseerde methoden: Genereren laag-resolutie pixelmaskers waarbij de ruimtelijke resolutie begrensd is door de pixeldikte, muren impliciet worden gecodeerd en aanzienlijke nabewerking vereist is om bruikbare plattegronden te herstellen.
Vectorgebaseerde methoden: Voorspellen per kamer polygonen of coördinatenparen, maar beperken lay-outs vaak tot as-uitgelijnde rechthoeken binnen vaste grenzen en zijn afhankelijk van geometrische nabewerking voor afsluiting en consistentie.

Bovendien worstelen eerdere methoden met bewerkbaarheid (vereisen volledige her-inferentie of speciale trainingsmachines voor wijzigingen), data-efficiëntie (vereisen enorme datasets) en generalisatie buiten de verdeling (OOD) (falen bij door architecten ontworpen plattegronden met andere grensvormen of kameraantallen dan de trainingsdata). Hoewel recent werk gebruikmaakt van Large Language Models (LLM's), outsourcen bestaande pijplijnen geometriegeneratie vaak naar diffusie- of rasterdecoders, waardoor ze dezelfde beperkingen erven.

Methodologie

De auteurs stellen HypergraphFormer voor, een representatiecentrisch raamwerk dat de buitenrand van het appartement ontkoppelt van de binneninrichting. In plaats van pixels of ruwe geometrie te genereren, genereert het model een gestructureerde hypergraaf-tekstuele representatie.

De Hypergraaf-Representatie

Overgenomen van Weber et al. [15], decomposeert de hypergraaf-representatie een plattegrond in:

Een Grens: Een expliciet polygon dat de voetafdruk van het appartement definieert.
Een Hypergraaf (Gestructureerde JSON):
- Binary Space Partition (BSP) Tree: Intermediaire knopen coderen binaire ruimtedelingen van het interieur, die ruimtelijke decompositie hiërarchisch weergeven.
- Bladknopen: Dragen per-kamer semantiek (type, oppervlakte).
- Toegangsgrafiek: Legt functionele connectiviteit (deurverbindingen) tussen kamers vast.

Deze formulering maakt het genereren van plattegronden voor willekeurige, door de gebruiker gespecificeerde grenzen mogelijk (inclusief niet-Manhattan-vormen) door de hypergraaf aan te passen aan de voorgeschreven ruimte.

Leerpijplijn

De kernmethode omvat Supervised Fine-Tuning (SFT) van een kleine, instructie-geoptimaliseerde LLM (specifiek Qwen3-4B) met behulp van LoRA (Low-Rank Adaptation).

Invoer: Een toegangsgrafiek (die kamerconnectiviteit definieert).
Uitvoer: Een hypergraaf JSON-tekenreeks die structurele invarianten voldoet (BSP-topologie, alleen-blad-connectiviteit, oppervlaktebehoud, as-uitgelijnde splitsen).
Trainingsdata: Het model wordt getraind op de RPLAN-dataset, geconverteerd naar het hypergraaf-formaat.
Inferentie: Het model genereert de hypergraaf vanuit een toegangsgrafiek. De hypergraaf wordt vervolgens procedureel geïnstancierd in een geometrische lay-out binnen de door de gebruiker gespecificeerde grens.

Procedurele Bewerking

Een kernkenmerk van het systeem is een nabewerkingspijplijn die lichtgewicht, deterministische bewerkingen uitvoert zonder de LLM opnieuw te draaien:

Kamers toevoegen/verwijderen: Zorgt ervoor dat de voorspelde multiset van kamers overeenkomt met de invoer-toegangsgrafiek.
Oriëntatie-selectie: Draait of spiegelt de lay-out om de compactheid per kamer te maximaliseren.
Parametrische optimalisatie: Gebruikt gradiëntafstijging om BSP-splitsparameters te verfijnen om verhoudingen van kameroppervlakten en compactheid te optimaliseren.

Bovendien ondersteunt het hypergraaf-formaat LLM-tool-aanroepen voor hogere-niveau bewerkingen (bijv. kamertypen wisselen, grootte aanpassen, specifieke kamers heroriënteren) door direct de BSP-tree en toegangsgrafiek te manipuleren.

Belangrijkste Bijdragen

Representatie: Toont aan dat een lichtgewicht LLM kan worden gefinetuned om gestructureerde hypergraaf-representaties direct te genereren, waardoor plattegrondgeneratie mogelijk is die voldoet aan willekeurige grenzen zonder rasterisatie of voorspelling van per-kamer polygonen.
Bewerkbaarheid: Laat zien dat deze representatie snelle, LLM-vrije procedurele bewerkingen (toevoegen/verwijderen van kamers, rotatie, verfijning van oppervlakte) en hogere-niveau bewerkingen via tool-aanroepen mogelijk maakt, wat een graad van bewerkbaarheid biedt die superieur is aan eerdere baselines.
Data-efficiëntie: Voert een gecontroleerde studie uit die aantoont dat de benadering state-of-the-art (SOTA) nauwkeurigheid bereikt met slechts een fractie van de trainingsdata die door baselines wordt vereist.
Generalisatie buiten de verdeling: Toont sterke generalisatie aan op WMR24, een gecureerde dataset van door architecten ontworpen plattegronden met verdelingen van grootte, slaapkameraantal en grensgeometrie die significant verschillen van de RPLAN-trainingsset.
Hulpmiddelen: publiceert de WMR24-dataset en volledige code voor training, inferentie, datasetconversie en procedurele bewerking.

Resultaten

De methode werd geëvalueerd op RPLAN (binnen de verdeling) en WMR24 (buiten de verdeling) tegen SOTA-baselines waaronder HouseGAN++, HouseDiffusion, iPLAN en DiffPlanner.

Structurele Nauwkeurigheid: Op RPLAN bereikte HypergraphFormer een strikte toegangsgrafiek-nauwkeurigheid (A) van 40,9%, wat aanzienlijk beter is dan HouseGAN++ (6,0%) en HouseDiffusion (16,3%). Het bereikte een nauwkeurigheid van de multiset van kamers (Atc) van 100,0% door ontwerp.
Geometrie & Tegelen: De methode bereikte 0,00% grenslekkage ( $\rho_{out}$ ) en 0,00% kameroverlapping ( $\rho_{ovl}$ ) door constructie, terwijl andere methoden aanzienlijke tegelingschendingen vertoonden.
OOD-Generalisatie: Op WMR24 verbeterde HypergraphFormer zijn strikte nauwkeurigheid tot 52,5% en behield een bijna perfecte multiset-nauwkeurigheid (99,9%). Baselines zagen daarentegen hun prestaties instorten (bijv. daalde de nauwkeurigheid van HouseDiffusion naar 2,6%).
Data-efficiëntie: HypergraphFormer, getraind op slechts 1.000 samples (ongeveer 1,8% van de trainingsdata van de baseline), bereikte een hogere nauwkeurigheid (12,3%) op WMR24 dan HouseGAN++ (8,5%) en HouseDiffusion (2,6%), die op de volledige dataset waren getraind.
Visuele Kwaliteit: Kwalitatieve vergelijkingen tonen aan dat HypergraphFormer veelvoorkomende artefacten zoals overlappende kamers of onmogelijke lay-outs vermijdt en visueel plausibele plattegronden produceert die de grens exact tegelen.

Betekenis en Claims

Het artikel betoogt dat de primaire drijfveer voor bewerkbaarheid, data-efficiëntie en OOD-generalisatie in plattegrondgeneratie de representatie is, niet de modelgrootte. Door een hypergraaf uit te zenden – een klein, gestructureerd object met expliciete beperkingen – in plaats van hoogdimensionale geometrie, kan de LLM beperkingen exact naleven. Dit maakt mogelijk:

Natieve Bewerkbaarheid: Structurele wijzigingen corresponderen met lichtgewicht bewerkingen op de tekstuele hypergraaf, waardoor volledige her-inferentie wordt vermeden.
Grens-onafhankelijkheid: De scheiding van de grens van de binneninrichting maakt willekeurige, niet-as-uitgelijnde voetafdrukken mogelijk.
Robuustheid: De compositiestructuur van de hypergraaf, gecombineerd met LLM-priors, zorgt voor robuuste prestaties op door architecten ontworpen plattegronden die afwijken van de trainingsverdeling.

De auteurs positioneren HypergraphFormer als een stap in de richting van het integreren van LLM's met door mensen interpreteerbare ontwerpabstrakties, waarbij gestructureerde, bewerkbare uitvoer prioriteit krijgt boven ruwe beeldsynthese. Ze erkennen beperkingen, zoals de aanname van rechthoekige/rechte splitsen (exclusief gebogen muren) en de focus op plattegronden van enkele appartementen, en suggereren deze als richtingen voor toekomstig werk.