基于GAN的地块建筑自动生成研究.pdf

第 25 期2023 年 9 月江苏科技信息Jiangsu Science and Technology InformationNo.25Spetember,2023作者简介:吕新华(1976),男,江苏南通人,工程师,学士;研究方向:城乡规划。基于 GAN 的地块建筑自动生成研究吕新华1,赖世娇2,葛沿灵2,范晨璟2,郝 晟3(1.南通市海安市自然资源和规划局,江苏 南通 226600;2.南京林业大学,江苏 南京 210037;3.南京云亿科技有限公司,江苏 南京 210019)摘要:文章基于生成式对抗性神经网络(Generative Adversarial Nets,GAN)研究地块建筑自动生成,以AI 辅助规划设计提高设计效率为目标,使用 CycleGAN 作为开发平台训练预处理模型,开发 AI 辅助制图软件介入城市规划设计任务。研究发现,生成式网络在建筑规划制图场景任务表现良好,可为未来建筑布局提供参考。该研究为城市规划及智慧城市建设提供了新视角和新思路。关键词:GAN 网络;建筑规划;CycleGAN中图分类号:TU984.14 文献标志码:A0 引言 近年来,新兴技术快速发展为建筑规划设计带来创新变革。传统建筑规划依赖人的主观经验判断,手绘图纸周期长、效率低,受客观因素影响方案不优。随着城镇化进程加速,建筑规划工作量增大,需科学方法提高效率和精度。21 世纪,计算机和信息技术发展带动数字化建筑设计兴起,人工智能广泛应用并推动建筑规划数字化1。同时,数字城市的快速发展对设计提出了更高要求,需准确分析和模拟城市空间布局,实现未来发展合理预测。因此,机器学习辅助建筑设计、预测城市建筑布局成为一个重要研究方向。1 GAN 发展现状及在建筑规划中的应用1.1 对抗性神经网络发展 生成对抗性神经网络(GAN)是一种模拟人的智能学习过程的计算机技术,它于 2014 年由古德费洛首次提出,并在图像和视觉处理等领域得到广泛研究和应用。GAN 的核心思想即通过训练使其能够基于给定数据集生成真实的图像,其模型由生成器和判别器组成。生成器负责从随机噪点生成图像,并试图欺骗判别器,使其无法区分生成图像与真实图像;而判别器则试图准确判别两者的区别。通过不断的对抗训练,生成器和判别器能力会相互提高并达到一种平衡状态,使生成器得到数据样本分布2。随着人工智能领域的发展,各种 GAN 的衍生模型涌现,并在多领域应用。比如:条件生成对抗网络(CGAN)使生成图像更具指导性;深度卷积生成对抗网络(DCGAN)提高了稳定性和性能3。1.2 GAN 在自动化设计中的发展 设计自动化相关研究不断发展。从 1930 年深度学习应用到 2014 年首次提出 GAN 框架,从基于简单数据生成网络的拓展模型,再到运用卷积网络优化图像精度,推动图形与文本结合,实现结构化图形输出3。在 GAN 提出后,其衍生模型逐渐在自动化设计领域得到应用。例如,王坤峰等2介绍 GAN 背景、原理、模型及应用。Wang 等4研究了基于 GAN 的多个训练模型,实现建筑风格变化及建筑布局生成。过往研究多涉及较小规模,近几年开始关注大面积建筑布局生成。刘跃中等5基于新加坡裕廊工业区数据训练 GAN 模型生成建筑布局图像。杨柳6通过 pix2pix模型实现青年公寓户型设计。这些应用显示 GAN 的优势如下:无须手动定义特征和规律,自动学习图像数据;控制生成图像质量以满足不同需求;交互提供反馈和建议。1.3 GAN 在建筑规划设计中的应用 设计思维是在具体事物设想与改造计划中运用的思维方式,在规划设计实践中,设计师通过评估方案总体形态,确定结构与细节协调,学习传承设计知识,提供多种方案供管理者选择7。GAN 在模型中生成和判断训练,类似人类设计师“学以致用”。生成器相当于学生,“经验思维”创造高质量作品;判别器相当于专家,“系统思维”评估设计成果。二者对抗并优化,学生提升设计水平,专家增加评价难度,直到判别器无法区分生成器产物是否为专家所作。在此背景下,GAN 生成的方案能满足规划设计要求。2 研究方法2.1 GAN 训练过程算法原理 这一训练过程算法原理及训练方法具体如下:生26第 25 期2023 年 9 月江苏科技信息 应用技术No.25Spetember,2023成器(G)与判别器(D)产生博弈框架。其中,数据输入判别器 D,为更准确识别生成图片,对 D(x)不断趋近于 1,即要尽可能地大。同理,由随机变量输入生成器,即(D,G)=Exr Pr(.)logD(x)+Ez Pg(.)log1-DG(z)。为使生成器生成的数据通过判别器的判断,对 DG(z)不断趋近于 1,EzPg(.)log1-DG(z)要尽可能地小,生成器服从真实数据样本分布。最后,在互相对抗优化过程使生成器与判别器的功能不断加强,并使其生成数据和真实数据判别结果一致。2.2 标注方法 进行基于 GAN 的建筑自动生成训练模型需要采集大量数据作为训练样本,因此,数据集制作是必备环节。自动生成数据集可能导致精度不佳,影响效果。因此,本文选择手动采集绘制数据集。本文选择 Labelimg 作为数据集标注工具,其优点是界面较简单,操作便捷,无需代码,可输出多种格式。但 Labelimg 是矩形标注工具,处理多边形需辅助使用 Labelme,其支持自定义标注。训练步骤为选取江浙沪三地为样本数据来源,分别截取 1 5 000 和 1 10 000 两套图片。标注过程中,使用 Labelme 勾画道路和河流轮廓,同时进行类别标注,使用 Labelimg 及 labelme 标注建筑轮廓。通过上述流程标注 2 000 张图片,得到地块标注集和建筑标注集作为训练样本。2.3 训练方法 通过比较不同 GAN 的设计效果,发现 CycleGAN有图像清晰和模型稳定的优势,能够输出优质设计图且支持交互编辑,因此选作开发平台。训练集选取不同尺度和地区的规划案例以确保电脑学习已有成果后能完成特定任务(见表 1)。同时,设计多方案生成功能,调整参数输出多方案供选,表 2 展示了训练方法。表 1 不同 GAN 运用在规划设计中的优劣势类型名称基本原理运用在设计的优点运用在设计的缺点无条件学习GAN生成器与判别器博弈优化自动学习数据特征,高质量图像;模型开发简单生成样本随机;像素质量较低;判别选择不明确CycleGAN运用 Cycle-constraint Adversarial Network 结构,由一对镜像 GAN构成无需样本,图像风格转换分割、无人工分类标记,自主学习;多方案比选缺乏对偶重构误差,无法保证特征质量;分辨率较低有条件学习cGAN融入图片信息,形有监督模型给定标签条件生成特定图像图像边缘模糊;分辨率低;模型结构不稳定DCGANCNN 与 GAN 网络结合提高了结构的稳定性数据集过大使图像不稳定Pix2pix运用 cGAN 结构,利用 U-net 作为生成器出图速度较快;可运用于多种形式的规划出图环节图像清晰度较低;训练数据必须对应表 2 训练方法设定任务类型训练数据来集标签数据集验证集格式数据源尺度比例尺格式尺度数据源格式尺度位置训练轮次总规JPEG 格式RGB 颜色1 0241 024 px建成区PNG 格式RGB 颜色Alpha 通道建成区JPEG 格式RGB 颜色256256 px建成区 江浙沪详规JPEG 格式RGB 颜色1 0241 024 px小地块PNG 格式RGB 颜色Alpha 通道小地块JPEG 格式RGB 颜色256256 px小地块 江浙沪方案一epoch=290方案二epoch=3003 GAN 建筑布局自动生成的结果与分析3.1 基于 GAN 的建筑布局自动生成图片 使用大数据标注软件手动标注了 2 000 张图纸作为训练样本,并在 CycleGAN 中进行训练。随着训练次数增加,生成结果的功能布局趋于合理,渲染图像逐渐真实,细节增多,对于像素肌理问题可通过高斯模糊处理减少。同时,本文发现大比例尺下生成图片质量更优,建筑密度较大的居住地块图片质量相对较差。对建筑布局合理性评估后发现,大多生成建筑呈现行列式布置,相对于真实建筑布局更加规整,建筑密度较高,而周边式、自由式和混合式布置较少。作者邀请 6 名规划专业学生参与图灵测试,分辨 20 张真实与生成图片,测试表明,基于 GAN 的建筑布局生成能达到普通规划学生水平(见图 1)。3.2 案例地块建筑规划研究 本文选取常州大学新村二区居住用地作为案例地块(见图 2),通过 GAN 生成了 3 套建筑布局方案36第 25 期2023 年 9 月江苏科技信息 应用技术No.25Spetember,2023 图 1 图灵测试结果(见图 3)。综合考虑,方案 2 建筑形体布局规整,接近实际情况,基于此规划了最终的方案如图 4 所示。图 2 两种比例地块概况 总体而言,基于 GAN 的建筑布局自动生成在大比例尺下质量较好,同时侧重于选择规整地块以接近实际住宅用地规划。4 结论 数字化城市建设推动建筑设计从“量”到“质”转变这一趋势在未来 10 年将更明显。基于 GAN 的建筑自动生成研究为数字化建筑设计提供新思路。通过 CycleGAN 训练城市规划预处理模型可用于总规、详规并生成优质图纸。GAN 在规划设计应用方面的前景和优势主要包 图 3 3 种建筑布局方案46第 25 期2023 年 9 月江苏科技信息 应用技术No.25Spetember,2023图 4 最终规划设计括激发设计灵感、模拟设计案例、提高工作效率,本文案例研究展示了 GAN 规划布局的可行性。但 GAN也存在可解释性不足、缺乏矢量数据格式支持、训练集获取困难、约束性较弱等局限性。总之,GAN 具有前沿性,期待其未来发展能为智慧城市规划建设贡献更多力量。参考文献1杨俊宴,朱骁,邵典.回眸历史:基于知识图谱的百年城市设计技术演进脉络与趋势展望J.城市规划学刊,2021(6):20-27.2王坤峰,苟超,段艳杰,等.生成式对抗网络 GAN的研究进展与展望 J.自动化学报,2017(3):321-332.3胡越,罗东阳,花奎,等.关于深度学习的综述与讨论J.智能系统学报,2019(1):1-19.4WANG K,SAVVA M,CHANG A X,et al.Deep convolutional priors for indoor scene synthesisJ.ACM Transactions on Graphics,2018(4):1-14.5刘跃中,斯托夫斯卢迪,杨阳.基于条件生成对抗网络的城市设计研究J.建筑学报,2018(9):108-113.6杨柳.基于深度学习的青年公寓户型自动生成研究D.广州:华南理工大学,2019.7吴志强,李德华.城市规划原理M.4 版.北京:中国建筑工业出版社,2010.(编辑 何 琳)Automatic generation of plot buildings based on GANLyu Xinhua1 Lai Shijiao2 Ge Yanling2 Fan Chenjing2 Hao Sheng3 1.Haian Natural Resources and Planning Bureau Nantong 226600 China 2.Nanjing Forestry University Nanjing 210037 China 3.Nanjing Yunyi Technology Co.Ltd.Nanjing 210019 China Abstract The article is based on Generative Adversarial Nets GAN to study the automatic generation of parcel buildings.With the goal of improving design efficiency through AI assisted planning and design CycleGAN is used as a development platform to train preprocessing models and AI assisted mapping software is developed to introduce urban planning and design tasks.Research has found that generative networks perform well in architectural planning and mapping scene tasks providing reference for future architectural layout.This study provides new perspectives and ideas for urban planning and smart city construction.Key words GAN network architectural planning CycleGAN56