JP6675743B1 - 間取り図生成装置及び間取り図生成方法 - Google Patents

Abstract

【課題】間取り図のスタイルを変更する手間を削減できる装置や方法を提供する。【解決手段】間取り図生成装置２００は、第１スタイルの間取り画像を含む入力画像情報から、要求に応じた第２スタイルの間取り画像を含む画像情報に変換する学習済みモデルを含む。【選択図】図１

Description

本発明は、間取り図を生成する装置や方法等に関する。

不動産のような業界では、不動産（建造物）の間取り図が扱われることがある。このような間取り図を取り扱うシステムが知られている。

例えば、特許文献１は、コンピュータで読み込んだ図面から意匠図面を作成することを支援する支援装置を開示する。特許文献１に記載された支援装置では、例えば、ユーザが、読み込んだ図面における建築物の外周線上の複数の点を指定すると、指定された点を順番に結ぶラインが自動生成される。

また、特許文献２は、２次元の間取り図から、３次元の間取り図を自動で作成する装置を開示している。

特開２００５−１５７８３９号 特許第６１１６７４６号

本願の発明者は、間取り図を扱う不動産のような業界において、以下のような課題があることを見出した。例えば、不動産業界では、紙面に描かれた間取り図（画像）から、ＣＡＤを利用して間取り図の電子データを逐一作成することが慣習となっている。特に、間取り図中に描かれる文字や図形、及び間取り図に付随する図形や文字等の情報は、不動産会社（ユーザ）ごとに独自のフォーマット（スタイル）を有していることが多い。そのため、同一の不動産物件を示す間取り図であっても、不動産会社毎に間取り図の電子データが、不動産会社ごとに逐一作成又は修正されている。

特許文献１は、間取り図の電子データ化を容易に行う支援装置を開示するだけであり、間取り図のスタイル変更に関する課題やその解決手段については何ら開示も示唆もしていない。特許文献２は、２次元の間取り図を３次元の間取り図に変換することを開示するものの、ユーザごとに指定されたスタイルの間取り図に変更することは開示していない。また、前述した課題やその解決手段についても何ら示唆されていない。

したがって、間取り図のスタイルを変更する手間を削減できる装置や方法が望まれる。

一態様によれば、間取り図生成装置は、第１スタイルの間取り画像を含む入力画像情報から、要求に応じた第２スタイルの間取り画像を含む画像情報に変換する学習済みモデルを含む。

好ましい一態様によれば、前記学習済みモデルは、少なくとも前記第２スタイルの間取り画像群からなる訓練データにより学習されたニューラルネットワークを含む。

好ましい一態様によれば、前記学習済みモデルは、前記第１スタイルの間取り画像群及び前記第２スタイルの間取り画像群を用いたＧＡＮ又はＶＡＥにより学習されたニューラルネットワークを含む。

好ましい一態様によれば、前記入力画像情報から、前記第１スタイルの前記間取り画像の部分の領域のみを抽出する抽出部を有する。これにより、入力画像情報に、間取り図に関係の無い図表が存在したとしても、自動で間取り図の部分を抽出することができる。

好ましい一態様によれば、前記第２スタイルは、前記間取り図生成装置にアクセスするユーザのユーザ情報と関連づけられている。これにより、ユーザがスタイルを明示的に指定しなくても、間取り図生成装置は、ユーザに応じたスタイルの間取り図（出力画像情報）を自動で生成することができる。

好ましい一態様によれば、コンピュータ端末は、第１スタイルの間取り画像を含む入力画像情報を送信する送信部と、学習済みモデルを用いて要求に応じた第２スタイルの間取り画像を含む出力画像情報に変換するよう要求する要求部と、要求に応じて生成された前記出力画像情報を受けとる受信部と、を有する。

ここで、コンピュータ端末は、例えばパーソナルコンピュータや携帯端末のようなユーザ端末であってよい。送信部及び／又は受信部は、ネットワークを介してコンピュータ端末と通信可能に構成された通信部によって構成されていてよい。

一態様によれば、間取り図生成方法は、第１スタイルの間取り画像を含む入力画像情報から、学習済みモデルによって、要求に応じた第２スタイルの間取り画像を含む画像情報に変換するステップを含む。

一態様によるプログラムは、上記の間取り図生成方法をコンピュータに実行させるプログラムである。

上記態様によれば、間取り図のスタイルを変更する手間を削減することができる。

一実施形態における間取り図生成システムの機能構成を示す図である。 一実施形態における間取り図生成方法のフローを示す図である。 入力画像の一例を示す図である。 入力画像中の間取り図部分を抽出した中間画像の一例を示す図である。 自動生成された出力画像の一例を示す図である。 学習モデルの機能構成を示す図である。

以下、図面を参照して、実施形態について説明する。以下の図面において、同一又は類似の部分には、同一又は類似の符号を付している。

［全体構成］
図１は、一実施形態にかかる間取り図生成システムの機能構成を示す図である。図２は、一実施形態における間取り図生成方法のフローを示す図である。本実施形態に係る間取り図生成システムは、元のスタイルの間取り図を含む画像情報（入力画像情報）から、別のスタイルの間取り図（出力画像情報）へ自動変換する機能を有する。

間取り図生成システムは、間取り図生成装置２００と、ユーザ端末３００と、を有していてよい。本実施形態では、間取り図生成装置２００は、インターネットのような通信回線９００を介して複数のユーザ端末３００と通信可能に構成されていてよい。

ユーザ端末３００は、間取り図生成システム２００と通信可能であれば、特に限定されない。例えば、ユーザ端末３００は、デスクトップ型又はラックトップ型のパーソナルコンピュータや、携帯通信端末などであってよい。

ユーザ端末３００は、画像データ入力部３１０と、スタイル選択部３２０と、通信部３３０と、を有していてよい。画像データ入力部３１０は、間取り図生成システムを構成するアプリケーションに、間取り図を含む画像データを取り込む機能を有する。

ユーザ端末３００から取り込まれる間取り図は、例えば紙面上に描かれた間取り図を含む画像情報をスキャナや撮像装置で取り込んだ画像データであってよい。この代わりに、ユーザ端末３００に予め保存されている間取り図を含む画像データであってもよい。このような画像データは、例えばラスタ形式の画像データ（ビットマップ画像）であってよい。

通信部３３０は、インターネットのような通信回線９００を介して、間取り図生成装置２００の通信部２３０と通信を行う。これにより、ユーザ端末３００は、例えば、取り込んだ間取り図データ（入力画像情報）を間取り図生成装置２００へ送ったり、ユーザからの指令（要求）を間取り図生成装置２００へ送ったりすることができる。

スタイル選択部３２０は、必要に応じて設けられる。スタイル選択部３２０は、変換後の間取り図のスタイルを指定するために設けられる。これにより、ユーザは、複数のスタイルのうちの１つを選択することができる。スタイル選択部３２０は、例えばユーザ端末３００上に表示されるチェックボックスを含んでいてよい。この場合、ユーザは、チェックボックスから特定のスタイルを指定することにより、変換後の間取り図のスタイルを指定することができる。間取り図生成装置２００は、取り込んだ間取り図データ（入力画像情報）から、ユーザにより指定されたスタイルの間取り図へ自動変換する。

間取り図生成装置２００は、ネットワークを介してユーザ端末３００と通信を行う通信部２３０と、ユーザ端末３００からの要求に応じて通信及び／データを制御する制御部３１０と、各種情報を記憶する記憶部２２０と、を有していてよい。

制御部２１０は、例えば、少なくともスタイル変換部２１２を有している。制御部２１０は、必要に応じて、ユーザ認証部２１１、抽出部２１３、文字情報処理部２１４などを有していてもよい。

ユーザ認証部２１１は、ユーザ端末３００から間取り図生成装置２００へのログイン要求に対する認証処理を行う。ユーザ認証部２１１によりユーザ認証が成功した場合、ユーザ端末３００から間取り図生成装置２００への通信が可能になる。一方、ユーザ認証部２１１によりユーザ認証が失敗した場合、ユーザ端末３００から間取り図生成装置２００への通信はできない。ユーザ認証の方法は、公知の任意の方法によって行われることができる。例えば、ユーザ端末３００から入力されたユーザ情報とパスワードを、記憶部２２０に記憶されたアカウント情報と対比させることによって、ユーザ認証を行うことができる。

抽出部２１３は、取り込んだ間取り図データ（入力画像情報）から、間取り画像（第１スタイルの間取り画像）の部分の領域のみを抽出する。具体的には、抽出部２１３は、取り込んだ間取り図データ（入力画像情報）から、間取り図とは直接関係のない要素、例えば物件名や取り扱い企業名などの情報や、金額などの情報や、何らかの図表などの要素を自動で削除した中間画像を生成することができる。

図３は、入力画像の一例を示す図である。図３に示すように、入力画像は、間取り図に相当する画像と、間取り図とは直接関係のない要素（画像）が含まれている。図４は、入力画像中の間取り図部分を抽出した中間画像の一例を示す図である。すなわち、図４は、抽出部２１３により抽出された間取り図画像を示している。図４に示すように、図３に示す入力画像のうち、間取り図に相当する部分のみが抽出されていることがわかる。

なお、領域の抽出は、学習済みモデル（人工知能）を用いて行ってもよく、学習済みモデルを用いない画像処理技術によって行ってもよい。

領域抽出の例を以下に説明する。まず、入力画像から、線分と、間取り図を構成するオブジェクトを抽出する。線分の抽出は、例えば確率的ハフ変換のような公知の方法より実施できる。線分を抽出することにより、間取り図を構成する内壁や外壁、間取り図とは異なるその他の図表のラインを抽出することができる。

次に、間取り図を構成するオブジェクトを抽出する。より具体的には、間取り図に共通して使用されるオブジェクトが抽出される。そのようなオブジェクトとして、例えば、ドア（扉）を示す記号が挙げられる。このようなオブジェクトの抽出は、例えばパターンマッチングの画像処理技術により実現可能である。

次に、入力画像から抽出された線分のうち、抽出されたオブジェクトに連結された線分を抜き出す。間取り図を構成するものとして抽出されたオブジェクトに連結された線分は、間取り図を構成するものと考えられる。これにより抜き出された線分のうちの最も外側のラインで囲まれた領域が、間取り図を構成する部分と考えられる。したがって、抽出部２１３は、前述した一連の処理により、取り込んだ間取り図データ（入力画像情報）から、間取り画像（第１スタイルの間取り画像）の部分の領域のみを抽出することができる。言い換えると、抽出部２１３は、取り込んだ間取り図データ（入力画像情報）から、間取り図とは直接関係のない要素、例えば物件名、家賃、最寄り駅などの情報や、取り扱い企業名、その電話番号などの要素を自動で削除することができる。また、間取り図の外側に、間取りとは関係のない不要な図形があった場合であっても、当該不要な図形が自動で削除される。

スタイル変換部２１２は、第１スタイルの間取り画像（入力画像情報）から、要求に応じた第２スタイルの間取り画像を含む画像情報に変換する学習済みモデルを含んでいてよい。

スタイル変換部２１２への入力画像情報は、抽出部２１３による抽出処理後の画像情報であってもよく、抽出部２１３による処理がなされていない元の画像情報であってもよい。ただし、学習済みモデルによる画像スタイルの自動変換をより精度良く行うため、スタイル変換部２１２への入力画像情報は、抽出部２１３による抽出処理後の画像情報であることが好ましい。

スタイル変換部２１２を構成する学習済みモデルは、少なくとも第１スタイルの間取り画像から第２スタイルの間取り画像への変換するよう学習されている。学習済みモデルは、画像変換処理が可能であれば、どのような種類の学習モデルを利用したものであってもよい。そのような学習モデルは、例えば、少なくとも第２スタイルの間取り画像群からなる訓練データにより学習されたニューラルネットワークを含んでいてよい。

そのような例として、敵性的生成ネットワーク（ＧＡＮ）が挙げられる。敵性的生成ネットワークとしては、例えば、例えば、ＤＣＧＡＮ（Deep Convolutional Generative Adversarial Networks）、ｃｙｃｌｅ ＧＡＮ又はＣｏｎｄｉｔｉｏｎａｌ ＧＡＮなどがある。この代わりに、学習モデルは、例えば、Ｖａｒｉａｔｉｏｎａｌ Ａｕｔｏ Ｅｎｃｏｄｅｒ（ＶＡＥ）を用いたものであってもよい。

間取り図画像のスタイルの変換では、部屋又は区画の形や大きさを実質的に変更することなく、建具や家具のような使用物品を示すオブジェクト又は模様の変更、文字の種類や大きさの変更、部屋の装飾（例えば色）の変更などが行われる。建具や家具は、例えば、外枠、壁、窓、柱、扉、バスタブ、便器、フローリングやタイルのような床材等が挙げられる。ただし、後述するように、文字に関する変更は、文字情報解析部２１４によって行われることが好ましい。

さらに、間取り図画像のスタイルの変換は、間取り図の外枠の外側（土地部分）に装飾を施す変換であってもよい。そのような変換は、例えば高級なデザイン感を出す変換であってもよい。具体的には、そのような変換は、間取り図の外枠の外側に、車や木や鉢植えのような記号を付加する変換であってもよい。

図５は、スタイル変換部２１２により自動生成された間取り画像（出力画像情報）の一例を示す図である。スタイル変換部２１２による変換後の間取り画像は、入力画像（第１スタイル）とは異なる第２スタイルの間取り画像となっている。

図示した例では、スタイル変換後の間取り図では、各部屋に横線又は縦線が引かれていたり、洗面所やトイレのオブジェクトの形が変更されていたりする。また、窓を示すオブジェクトの形が変更されていたり、「６帖」との表記が「６」と変わっていたりする。これらの変換は、一例であり、図示したものに限定されないことに留意されたい。

図２に示すように、間取り図生成装置２００は、ユーザ端末３００から元の間取り図（入力画像情報）を受信し、間取り図生成の要求を受けると、入力画像情報の画像処理を開始する（ステップＳ１）。

必要に応じて、抽出部２１３により、取り込んだ間取り図データ（入力画像情報）から、間取り画像（第１スタイルの間取り画像）の部分の領域のみを抽出する（ステップＳ２）。なお、抽出部２１３による抽出処理が不要であれば、ステップＳ２は実施されなくてよい。

次に、スタイル変換部２１２により、ユーザ端末３００からの要求に応じた第２スタイルの間取り画像を含む画像情報に変換する（ステップＳ３）。変換後の間取り画像（出力画像情報）のスタイル（第２スタイル）は、例えば、ユーザ端末３００を通じてユーザにより指定されたものであってよい。

変換後の間取り画像（出力画像情報）は、ユーザ端末３００へ出力される（ステップＳ４）。例えば、変換後の間取り画像（出力画像情報）は、通信部２３０，３３０を介してユーザ端末３００に送られ、ユーザ端末３００に表示される。

［学習済みモデル１］
次に、スタイル変換部２１２を構成する学習済みモデルの一例について説明する。図６は、訓練中の学習モデルの機能構成を示す図である。図６は、ＤＣＧＡＮを用いた学習モデルを示している。

図６における生成器４００は、入力画像情報から第２スタイルの間取り画像情報を生成するものであり、学習可能なニューラルネットワーク（ＣＮＮ）を含んでいてよい。識別器４０２は、生成器４００によって生成された画像情報が、本物であるかどうかを識別するものであり、学習可能なニューラルネットワーク（ＣＮＮ）を含んでいてよい。ＣＮＮの構造は、画像処理分野で公知のニューラルネットワークであってよく、詳細な説明については省略する。

図６において、ノイズ４１０は、生成器４００に入力される入力変数（潜在変数）である。学習データセット４２０は、予め準備された第２スタイルの多数の間取り画像である。言い換えると、学習データセット４２０は、スタイル変換部２１２によって出力されるべきスタイル（正しいスタイル）の間取り図である。

学習データセット４２０として予め準備された第２スタイルの多数の間取り画像は、同じ統一感を持った多種の間取り図である。統一感を持った間取り図とは、例えば、外壁を示すラインの太さや色、キッチンやトイレの区画の色、収納の色、文字のフォント、部屋に置かれるオブジェクトの記号などが同じ又は類似のものを意味する。

識別器４０２の学習の過程において、識別器４０２には、生成器４００によって生成された画像情報と、予め準備された学習データセット４２０とが入力される。識別器４０２は、入力されたデータ（画像情報）が、生成器４００によって生成されたものであるか、予め準備された学習データセット４２０かを識別可能なように学習される。すなわち、識別機４０２は、入力された画像情報が、生成器４００によって生成されたものであるか、予め準備された学習データセット４２０であるかを判別し、判別結果の正解又は不正解に応じて、識別器４０２を構成するニューラルネットワークのパラメータ（バイアス又は重み）を更新（最適化）する。

最適化の方法は、誤差逆伝播法、最急降下法又はこれらの組み合わせなど、公知の方法をとることができる（以下、同様）。このような学習を繰り返すことによって、識別器４０２は、生成器４００によって生成された画像情報と、予め準備された学習データセット４２０とを精度よく識別可能になる。

一方、生成器４００は、識別器４０２によって識別できないデータ（画像情報）を生成可能なように学習される。生成器４００に入力されるデータは、乱数（ノイズ）４１０によって生成されるデータである。乱数（ノイズ）４１０については、ＤＣＧＡＮの学習手法において公知のあらゆる手法をとることができる。

生成器４００の学習の過程において、生成器４００によって生成されたデータ（画像情報）を、上記の識別器４０２に識別させる。そして、生成機４００は、識別機４０２によって正しく識別されたか否かに応じて、生成機４００を構成するニューラルネットワークのパラメータ（バイアス又は重み）を更新（最適化）する。

この学習を繰り返すことにより、生成器４００は、学習データセット４２０に含まれる画像情報、すなわち第２スタイルの間取り画像と区別のつかない画像情報を生成できるようになる。

上記学習により、生成器４００は、入力された画像情報、例えば第１スタイルの間取り図情報から、第２スタイルの間取り図を生成できるようになる。したがって、スタイル変換部２１２は、上述した学習済みの生成器４００を含んでいてよい。

なお、スタイル変換部２１２が、複数のスタイルのうちのいずれか１つのスタイルへ間取り図を変換できるものである場合、スタイル変換部２１２は、スタイルごとに上記のように学習された生成器４００を有していればよい。

［学習済み人工知能２］
次に、スタイル変換部２１２を構成する学習済み人工知能の別の一例について説明する。本例では、学習モデルとして、Ｃｏｎｄｉｔｉｏｎａｌ ＧＡＮの一種であるｐｉｘ ２ ｐｉｘを用いる。この場合、学習データセットは、第１スタイルの間取り画像のセットと、第２スタイルの多数の間取り画像のセットである。

第２スタイルの間取り画像セットは、第１スタイルの多数の間取り画像セットに対応して準備される。すなわち、第２スタイルの間取り画像データは、第１スタイルの間取り画像データが正しく変換（翻訳）された正解データを構成する。学習モデルの構造自体は、図６と同様である。

本例では、学習の過程において、生成器４００に予め準備された第１スタイルの間取り画像データが入力される。識別器４０２には、生成器４００から出力された画像と、生成器４００に入力した第１スタイルの間取り画像の対応する正解の第２スタイルの間取り図とのセットか、予め準備された第１スタイルの間取り画像と、正解の第２スタイルの間取り図とのセットが、入力される。これにより、識別器４０２は、本物の画像セットであるかどうかを識別する。

上記の学習において、識別器４０２は、入力された画像のセットが、本物のセットであるかどうかを識別し、識別結果の正解、不正解に応じて、識別機４０２を構成するニューラルネットワークのパラメータ（バイアス又は重み）を更新（最適化）する。一方、生成器４００を構成するニューラルネットワークのパラメータ（バイアス又は重み）は、識別機４０２が本物の画像セットかどうかを識別できなくするよう更新される。これにより、生成器４００は、第１スタイルの間取り画像から、第２スタイルの間取り画像を生成できるようになる。この場合であっても、スタイル変換部２１２は、上述した学習済みの生成器４００を含んでいてよい。

前述した学習では、ＤＣＧＡＮ及びＣｏｎｄｉｔｉｏｎａｌ ＧＡＮによる機械学習を説明したが、学習モデルがこれに限定されない。例えば、学習モデルは、Ｃｙｃｌｅ ＧＡＮであってもよい。この代わりに、学習モデルは、Ｖａｒｉａｔｉｏｎａｌ Ａｕｔｏ Ｅｎｃｏｄｅｒ（ＶＡＥ）を用いたものであってもよい。

［文字情報処理部］
文字情報処理２１４は、元の間取り画像（入力画像）に描かれている文字を認識する。すなわち、文字情報処理２１４は、元の間取り画像（入力画像）を解析することにより、間取り図に含まれる文字を検出する。例えば、図３に示した間取り図の例であれば、「洋室６帖」、「和室６帖」、「収納」、「押入」、「浴室」、「キッチン」、「洗面所」、「物件名」、「最寄駅」などの文字情報を検出する。

文字情報処理２１４は、検出された文字情報から、部屋又は区画の種類を認識することができる。仮に、「Ｋ」という文字が検出された場合、「Ｋ」と「キッチン」を対応付けたデータを記憶部２２０（データベース）に記憶させておけば、文字情報処理２１４は、記憶部２２０を参照することにより、「Ｋ」が「キッチン」であると特定することができる。このように、文字情報処理２１４は、検出された文字情報から、部屋又は区画の種類を認識することができる。

また、「６」のような数字が検出された場合、文字情報処理２１４は、部屋又は区画の大きさを特定することができる。より具体的には、文字情報処理２１４は、検出された文字情報と、当該文字情報が検出された位置（座標）の両方の情報に基づいて、間取り図における部屋又は区画の種類や大きさを特定することができる。

文字情報処理２１４は、第１スタイルの間取り画像から第２スタイルの間取り画像を生成する際に、必要に応じて間取り図内の文字の大きさやフォントを変更してもよい。すなわち、ユーザからの要求に応じて、文字情報処理２１４は、間取り画像の変更時に、第２スタイルに適したフォント及び／又は大きさの文字を変更してもよい。

文字情報処理２１４による文字の変更は、学習済みのモデルを用いたスタイル変換部２１２による変換前に行われてもよく、変換後に行われてもよい。

また、文字情報処理２１４によって第１スタイルの間取り図から検出された文字情報をすべて削除し、文字情報が削除された間取り画像をスタイル変換部２１２によって第２スタイルの間取り図へ変換してもよい。この場合、文字情報処理２１４は、スタイル変換部２１２により生成された第２スタイルの間取り図へ、改めて文字情報を付加すればよい。文字情報処理２１４は、文字情報を付加する際に、前述したように文字の大きさやフォントを変更してもよい。

文字情報処理２１４は、文字の大きさやフォントの変更の他、例えば、「キッチン」、「台所」、「Ｋ」などのように、同様の意味を示す別の文言への変更を行っても良い。さらに、文字情報処理２１４は、例えば、日本語表記を英語表記に変更したり、英語表記を日本語表記に変更したりしてもよい。

このような文字の変更は、同様の意味を示す文言をグループ化したデータベースを記憶しておくことにより容易に実行できる。すなわち、文字情報処理２１４は、同様の意味を示す文言をグループ化したデータベースを参照することにより、任意の文字に変更することができる。さらに、データベース上で文字の種類とスタイルとの関係を特定しておくことにとり、文字情報処理２１４は、ユーザにより指定されたスタイルに応じて、文字の種類を変更することができる。

このように、間取り図画像のスタイルの変換は、学習済みのモデル（ＡＩ）のみによって実行されなくてもよい。例えば、文字情報の検出は、ＡＩを用いなくても高精度で実行できることが知られている。したがって、前述したように、文字情報については、スタイル変換部２１２を構成する学習済みモデルとは別の処理で実行してもかまわない。

もっとも、文字情報も高精度に変換可能であれば、スタイル変換部２１２を構成する学習済みモデルが、文字情報も含めたスタイルを変換してもよい。

［その他の機能］
前述した実施形態では、スタイル変換部２１２は、ユーザからの要求に応じて間取り図画像のスタイルの変換を実行している。この代わりに、スタイル変換部２１２は、間取り図生成装置２００にアクセスするユーザ情報に基づいて、間取り図画像のスタイルの変換を実行してもよい。

この場合、記憶部２２０は、ユーザ情報を記憶するユーザ情報テーブル２２２を有していてよい。ユーザ情報テーブルは、ログイン可能なユーザと、ユーザと関連づけられたスタイル（間取り図のスタイル）の情報が記憶されている。この場合、ユーザが希望する間取り図のスタイルを明示的に指定しなくても、スタイル変換部２１２は、ユーザに応じたスタイルの間取り図（出力画像情報）を自動で生成することができる。

前述したように、不動産のような業界では、会社（ユーザ）ごとに独自のフォーマット（スタイル）で間取り図を作成することが多い。この場合には、ユーザと間取り図のスタイルの情報との関係を予め記憶しておいたとしても、ユーザが希望する間取り図を自動で生成することができる。

前述した機能の他に、間取り図生成装置２００は、ユーザによる要求によりさらに別の機能を実行してもよい。例えば、間取り図生成装置２００は、２次元の間取り図、３次元の間取り図又は疑似的な３次元の間取り図に変換する機能を有していても良い。

２次元から疑似的な３次元の間取り図への変更は、２次元の間取り図から壁や外枠のようなラインを抽出し、抽出したラインの一方の側に影のような陰影を自動で付けることにより実現できる。

また、２次元から３次元の間取り図への変更は、ユーザにより物件の高さ情報を入力させ、入力された高さ情報に基づき２次元の間取り図を３次元化すればよい。なお、建造物の床から天井までの高さは、ある程度の範囲内であることが多いため、２次元から３次元の間取り図への変更は、天井までの一般的な高さの値を用いて実行してもよい。

また、間取り図生成装置２００は、スタイル変換部２１２により自動で生成された間取り図内に、家具に相当するオブジェクトを自動で配置する機能を有していてもよい。前述したように、間取り図生成装置２００は、部屋や区画の種類を自動で認識することができる。すなわち、間取り図生成装置２００は、自動で認識した部屋や区画の種類の情報を利用し、当該部屋や区画の種類に合わせた家具のオブジェクトを自動で出力画像に描いても良い。このような機能は、ユーザからの要求に応じて実行すればよい。

上述したように、実施形態を通じて本発明の内容を開示したが、この開示の一部をなす論述及び図面は、本発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替の実施形態、実施例及び運用技術が明らかとなる。したがって、本発明の技術的範囲は、上述の説明から妥当な特許請求の範囲に係る発明特定事項によってのみ定められるものである。

例えば、前述した間取り図生成方法をコンピュータに実行させるプログラムも本発明の範囲含まれることに留意されたい。具体的には、間取り図生成装置２００及び／又はユーザ端末３００に実行させるプログラムが本発明の範囲含まれる。特に、前述した間取り図生成装置２００が行う方法を、コンピュータに実行させるプログラムも本発明の範囲含まれる。

また、図１に示す態様では、間取り図生成システムは、間取り図生成装置２００とユーザ端末３００とを含むクライアントサーバモデルを構成する。この代わりに、間取り図生成装置２００は、ユーザにより直接操作される端末であってもよい。言い換えると、ユーザ端末が、ユーザ認証部２１１、スタイル変換部２１２、抽出部２１３及び／又は文字情報処理部２１４などを有しているとも言える。

２００ 間取り図生成装置
２１２ スタイル変換部
２１３ 抽出部
３００ ユーザ端末

Claims (7)

1. 第１スタイルの間取り画像を含む入力画像情報から、要求に応じた第２スタイルの間取り画像を含む画像情報に変換する学習済みモデルを含み、
   前記学習済みモデルは、少なくとも建具又は家具を示すオブジェクト画像又は模様を別のスタイルのオブジェクト画像又は模様に変換するよう構成されている、間取り図生成装置。
2. 前記学習済みモデルは、少なくとも前記第２スタイルの間取り画像群からなる訓練データにより学習されたニューラルネットワークを含む、請求項１に記載の間取り図生成装置。
3. 前記学習済みモデルは、ＧＡＮ又はＶＡＥにより学習されたニューラルネットワークを含む、請求項１又は２に記載の間取り図生成装置。
4. 前記入力画像情報から、前記第１スタイルの前記間取り画像の部分の領域のみを抽出する抽出部を有する、請求項１から３のいずれか１項に記載の間取り図生成装置。
5. 前記第２スタイルは、前記間取り図生成装置にアクセスするユーザのユーザ情報と関連づけられている、請求項１から４のいずれか１項に記載の間取り図生成装置。
6. 第１スタイルの間取り画像を含む入力画像情報から、学習済みモデルによって、要求に応じた第２スタイルの間取り画像を含む画像情報に変換するステップを含み、
   前記学習済みモデルは、少なくとも建具又は家具を示すオブジェクト画像又は模様を別のスタイルのオブジェクト画像又は模様に変換する、間取り図生成方法。
7. 請求項６に記載の間取り図生成方法をコンピュータに実行させるプログラム。

Images