知识卡片：缓解条件式户型图生成中的域偏移：基于合成预训练的数据高效适应

一句话结论

该研究首次系统评估了条件式户型图生成模型对域偏移的敏感性，发现跨域转移时性能可下降一个数量级；并提出通过合成数据预训练来缓解该问题，在零样本和低数据微调场景下均显著优于现有基线，低数据量下微调性能提升高达40%。

研究问题

条件式户型图生成模型在不同区域（因建筑文化、空间限制和施工实践不同）之间存在严重的域偏移，而获取新标注数据集成本高昂。此前尚无工作研究条件式户型图生成中的域偏移鲁棒性。

方法/产品要点

• 评估了两种不同生成范式的SOTA模型，在三个公开数据集（RPLAN、MagicPlan、Swiss Dwellings）上验证域敏感性。
• 提出一种程序化合成数据生成方法，强制执行严格的物理约束（房间不重叠、门位置有效、图一致性），同时故意牺牲建筑真实性（采用高度不规则的空间布局和激进的房间形状几何扰动）。
• 该合成数据集用于预训练，可作为零样本跨域推理或微调初始化的基础。

主要结果或产业意义

• 现有模型对域偏移高度敏感，跨域转移时性能降解最多可达一个数量级。
• 在合成数据上预训练显著提升零样本跨域性能，在MagicPlan数据集上甚至优于域内训练。
• 以合成数据作为微调初始化，在低数据量场景下比真实数据初始化基线提升高达40%。

为什么重要

• 首次关注条件式户型图生成中的域偏移问题，填补了该领域的研究空白。
• 提供了一种低成本、数据高效的域适应策略，无需大量人工标注即可将模型部署到新区域或新风格，对实际建筑和室内设计应用具有直接价值。

局限与不确定性

• 合成数据故意牺牲了建筑真实性（高度不规则布局、非真实房间形状），可能影响模型在高度真实场景下的表现，具体影响程度待核实。
• 实验仅在三个公开数据集上进行，对其他地区或更复杂户型（如非矩形边界、多楼层）的泛化能力待验证。
• 论文未讨论合成数据规模、生成参数选择对性能的敏感性，这些细节需进一步确认。

可用于图书/PPT/简报的角度

• 跨域泛化的挑战：以具体数据（性能下降一个数量级）展示域偏移的严重性，引发听众对模型鲁棒性的关注。
• 合成数据的创意使用：通过“刻意牺牲真实感反而提升泛化能力”的反直觉案例，展示数据增强和预训练策略的创新。
• 低资源适应方案：强调40%性能提升在标注数据稀缺场景下的实际意义，可结合建筑行业或室内设计公司的实际案例展开。

原始材料

• 英文标题：Mitigating Domain Shift in Conditioned Floor Plan Generation: Synthetic Pre-training for Data-Efficient Adaptation
• 英文关键词：根据材料推断的关键词包括 domain shift、floor plan generation、synthetic pre-training、data-efficient adaptation（官方关键词未在材料中明确列出，待核实）
• 原始来源：https://arxiv.org/abs/2607.06483v1