本研究提出了一种名为“GAN-SLAM”的方法，通过生成对抗网络提高动态机器人运动中的地图精度，显著改善2D地图质量，为自主系统的制图任务开辟了新方向。

本研究提出了一种从文本生成楼层平面图的方法，采用链式思维引导大型语言模型生成初步布局，并利用条件扩散模型进行细化。实验结果表明，该方法在各项指标上表现优异，具有重要的实际应用潜力。

本研究提出了一种基于多头注意力神经网络的室内定位框架，定位准确性提升了35%。通过深度学习和图神经网络，开发了IndoorGNN方法，显示出优于传统方法的预测准确性。同时，研究探讨了基于RSSI的定位技术和众包无线电地图的应用，均显著提升了性能。

该研究探讨了使用Transformer架构重建2D平面图的方法，提出了多种基于神经网络的技术，包括语义平面检测、楼层平面图生成和室内地图重建。实验结果表明，这些方法在准确性和性能上优于现有技术，具有良好的应用潜力。

本研究提出了FloorNet算法，利用深度神经网络技术重建室内地图，通过RGBD流图像数据提取特征，提升室内平面图重建的准确性，并探讨了多种方法解决房间布局重建问题，显著提高了重建质量和性能。

本研究提出了PlanGen框架，改善神经数据生成文本模型的可控性。通过实验和分析，发现该模型能够控制生成输出的句内和句间结构，提高了生成质量和输出多样性。

年轻人只去商场B1层大超市，楼上楼层冷清，商场附近也是如此。

LayoutGMN是一种深度模型，利用图形匹配网络预测2D布局结构相似性和布局元素之间的结构匹配。检索实验表明，LayoutGMN相对于其他基线更符合人类对结构布局相似性的判断。该模型在楼层平面图和UI设计方面应用广泛。

每次上楼的时候都感到困惑，有一个问题我注意很久了。