稳定扩散在空间设计中的应用探索——以展览馆设计为例.pdf

202美学技术0 引言当下，民用人工智能技术实现了跨越式发展。由美国 OpenAI 公司研发的人工智能 ChatGPT、由中国华为公司研发的人工智能盘古、由中国中车集团研发的轨道轮驱动三臂智能巡检机器人等人工智能均已为社会生产提供了巨大帮助。稳定扩散模型作为图像生成人工智能模型让进一步提高设计师的出图效率成为可能。该人工智能模型作为开源模型，能够实现对不同领域的针对训练，融合与协调各种算法技术，具有极强的拓展性与无限的可能。但是，由于种种原因，目前稳定扩散模型在空间设计的实际应用中严重缺乏探索，仅在二维图形设计中有大量使用。本文基于人工智能技术飞速发展的背景，探索如何在空间设计中应用稳定扩散，总结应用办法，旨在为稳定扩散模型应用于空间设计提供思路与策略。1 展览馆空间设计分析顾名思义，展览馆是以展示为目的而存在并且对公众开放的公共场馆。展览馆中存放的物品一般为社会或集体经过漫长岁月，或实现进步创新所创造出的优秀文化遗产，代表社会或集体与其他群体不同的生存与劳动方式，反映社会或集体的价值取向与感情归属。同时，展览馆作为文化场所，其最主要的功能是普及科学与文化知识，开展各种各样的社会宣传或组织活动，以推动社会主义精神文明建设1。1.1 展陈设计构成公共空间对外展示时，需要满足一定条件，展览馆也不例外。展览馆需要具备参观服务、展览展示、教育活动、休闲服务、商业活动、城市旅游等功能。所以设计师设计展览馆空间时，需要考虑展览馆的各项功能是否完善，功能与功能之间、功能与展陈效果之间是否协调。因此，在一般情况下，设计师需要积累大量的项目经验，或与客观存在的场馆对标，以保证设计方案的完整性、合理性，以及各功能之间的协调性2。1.2 分类与风格与众多空间一样，根据展示目的的不同，可将展览馆划分为不同类型。例如，根据展览内容的不同，可划分为综合型、专业型、展览与会议结合型、经贸型、命题型、人文自然型等；根据展览手段的不同，可划分为实物型、图片型、综合型等。以展示目的所匹配的设计风格为划分标准，展览馆可划分为自然型、科技型、生活化、简约型、非实物展示型、建筑稳定扩散在空间设计中的应用探索以展览馆设计为例高超，罗茂峰（武汉科技大学 艺术与设计学院，湖北 武汉 430081）摘要：目的：文章以展览馆设计为例，探索在空间设计中应用开源图像生成人工智能模型稳定扩散的客观影响与当下现实。方法：通过分析稳定扩散模型现实功能、组成原理与各类拓展性神经网络，结合展览馆空间设计的设计需要和设计步骤，从客观实践出发，分析如今稳定扩散模型在展览馆空间设计中的客观现实。结果：稳定扩散作为一款开源图像生成模型，在各类拓展性神经网络的帮助下，能高效生成空间设计中的效果图像，在空间设计项目制作中对提升专业设计师的设计效率具有一定的帮助，即可提供大量风格各异的效果图像、辅助空间设计中的不同功能区确定、迅速生成设计师构思图像促进商业交流。但受社会道德、科学技术、基本原理等因素的限制，稳定扩散模型难以直接取代传统的空间设计出图流程，大规模生成符合专业设计师最终所需要的现实效果图像，仅能生成空间设计草图效果。结论：稳定扩散作为开源图像生成模型无疑有更多的可能。但是，当下由于各类问题的存在，稳定扩散模型仍需要实现算法上的突破，吸收其他领域的优秀算法与先进技术，实现技术上的质变。只有让稳定扩散模型完全理解空间关系，优化空间效果图像生成，最终才能实现空间设计的真正变革。关键词：人工智能；空间设计；稳定扩散；展览馆设计中图分类号：G269.2文献标识码：A文章编号：1004-9436（2024）03-0202-03203第 37 卷第 3 期 2024 年 2 月Vol.37 No.3February 2024艺术科技装饰型、后现代主义型等。2 稳定扩散分析稳定扩散（StableDiffusion）属于一类称为扩散模型的开源深度学习模型。它是一种生成模型，其目的是生成类似于它们训练数据的新数据图像。使用者可以通过输入正向提示词与调节相关权重获取所需图像，也可以输入负向提示词与调节权重来拒绝相关要素在图像中生成。2.1 运行原理稳定扩散通过连续添加高斯噪声来破坏训练图像，直到图像成为纯高斯噪声。然后，反转这个噪声过程，学习并且恢复图像。更确切地说，扩散模型是一种潜变量模型，使用马尔可夫链映射到潜在空间。所以，稳定扩散模型的工作过程也被分为正向扩散过程与逆向扩散过程。正向扩散过程即连续增加高斯噪声，表示图像从一个状态到另一个噪声图像状态的随机过程。稳定扩散模型深度学习体现则源于逆向扩散。逆向扩散时，稳定扩散模型对噪声图像进行推断降噪，得到逆转后的数据分布，生成新的图像。根据逆向扩散降噪次数也可以生成不同的图像3。2.2 设计常用拓展功能概述相较于常用的另一款 AI 绘画工具中途（Midjou-rney），稳定扩散作为一款开源模型，能被更多开发者开发，因此具有更多可能。第一，潜在模型。潜在模型为可组合扩散的一个扩展，可以帮助使用者确定子参数在图像中的潜空间（所在）区域4。第二，控制网神经网络。控制网是一种通过添加额外条件来控制扩散模型的神经网络结构，能为从文本到图像的扩散模型添加条件控制5。第三，X/Y/Z 轴坐标脚本。该脚本可以实现多个不同参数之间的对比。第四，提示词矩阵。该脚本可以对比不同提示词生成的数据。2.3 未来展望当前的稳定扩散在各类神经网络的支持下凭借硬件给予的强大计算能力能够快速生成各类图像。并且，在 Deforu、Temporalkit 等神经网络的支持下，稳定扩散甚至可以在一定程度上实现视频的生成。所以，基于当前稳定扩散与硬件算力的发展，可以乐观地认为稳定扩散在不久的将来能完全实现稳定且快速的视频生成，满足人们视频方面的产出需求。3 稳定扩散对展览馆空间设计的辅助影响与实现设计师设计展览馆空间的主要环节有全面分析设计目标展馆相关信息、规划展览馆空间划分、确定具体功能区、明确展馆设计风格、创作展馆各项设计要素、导出展馆效果图。体系化的设计过程，反映出展览馆空间设计的严谨要求与效率需要，也为未来优化设计方法论提供了参考。3.1 提供大量风格各异的设计草图稳定扩散模型开发者利用计算机伪随机数算法演变出稳定扩散的随机种子功能，为稳定扩散提供各不相同的随机噪声图像，使稳定扩散在逆向扩散过程中能够生成风格各异、类型多样、特征鲜明的数据图像。同时，稳定扩散模型存在多种采样算法，因此可以绘制风格更多样的图像6。当设计师缺乏某一展览馆的设计经验或设计想法时，可以利用稳定扩散获得大量设计草图，再在生成的大量图像中选取较好的草图，逆推其方案可行性，推进设计项目。3.2 快速生成构思图像展览馆作为展现某一类事物的公共场所本身存在独一性，而且在人们的视野中，展览馆也并非以同一空间结构展现。因此，对人工智能生成图像辅助展览馆设计，需要具体问题具体分析，考虑展览馆所在空间的各项要素，尽量化解二维画面与三维立体的矛盾。设计师绘制需渲染空间的语义分割图Seg 图像（扩散模型能够根据颜色理解该区域要素，然后绘制）与各类神经网络相配合，实现对构成画面各空间要素的控制，如此便能绘制所需空间效果图像7。基于上述操作，设计师可以根据心中构想总结提示词，使用稳定扩散将个人灵感迅速表现为生成图像，实现与各方的交流，促进商业合作。基于稳定扩散的图像快速生成能力与图像优化能力，设计师可以迅速将构思图像以草图的形式生成，204美学技术所生成的草图相比手绘草图更贴近现实，从而减少构思与表现效果偏差导致的时间浪费。在项目推进期间，受各种因素的影响，设计师常常不得不终止或更改原有计划。例如，设计构思效果不符合预期、风格与周围环境差异过大，等等。设计师引入稳定扩散进行辅助设计，能在开始建模、渲染等之前得到构思草图，从而更全更快地认知整体效果，避免浪费时间。3.3 图像的修改与优化在控制网 v1.1 中，加入针对重绘功能进行优化的重绘模型，重绘模型可以帮助稳定扩散模型生成重绘图像。重绘能够有效应用移除或添加图像中的某像素。同期加入的 Tile 模型具有图像优化功能，由此衍生出稳定扩散对设计小品与图像的拼接能力。Tile 的图像优化功能让图像拼接边缘区域更加柔和，使得图像生成更为稳定。相较于以往为了获得心中构思的整体草图效果，重新制作三维模型替换原有模型进行渲染的方法，该方法可以更迅速地获取心中构思的草图效果，进而更迅速地确定设计风格与具体功能区。4 稳定扩散辅助设计存在的部分问题稳定扩散在为展览馆空间设计提供诸多便利的同时，也存在一些问题。受当下科技发展水平的限制，稳定扩散的日常使用存在一定的物质条件壁垒。此外，伦理是人们必须遵守的基本道德义务与社会行为规范，是道德规范中不可逾越的临界点。稳定扩散作为一款开源本地部署深度学习模型，也因其开源特征存在引发道德伦理问题的可能。4.1 科学技术限制在软件方面，稳定扩散作为深度学习模型，容易在生成时出现一定程度的优化问题。例如，模型对图像图形的学习理解不足、模型学习了大量劣质图像、模型对特殊的物体缺乏学习等，均会使图像数据生成无法达到预期。并且，稳定扩散作为一款深度学习模型，无法主动创造，这表明稳定扩散对训练图像训练数据有着极高的要求，否则无法保证图像数据的高质量生成。在硬件方面，稳定扩散的诸多功能对硬件方面的显存容量有极高的要求。而相比游戏旗舰显示适配器RTX4090，同级别显存容量更大并且可以通过英伟达链接接口进行显存共享的专业级显示适配器，价格可以达到游戏端显示适配器的数倍。由此可见，垄断使得新技术的应用门槛大幅提高，限制了新技术的作用发挥。4.2 道德伦理问题稳定扩散是一款开源深度学习模型，所有人均可对一个独立的扩散模型进行数据训练，然后向外界公布。然而，尚且没有针对性技术能够监测一个合格模型所学习的内容。如果有不法的模型训练者将模型学习的不适应素材贴上正向标签，模型分享网站的中端运营商即便应用 NSFW 算法也难以直接监测和判断训练数据是否健康。若此类模型对外流出，将引发道德伦理问题，影响稳定扩散的合理利用。4.3 空间关系复杂且难以控制稳定扩散的功能基于对二维图像进行学习理解，因此其难以通过图像降噪学习理解严谨的三维空间。该底层逻辑使扩散模型生成基于复杂三维空间的展览馆效果图像面临挑战，难以直接绘制复杂且完美的空间图像。稳定扩散当下仅能直接绘制空间叠压较少的空间图像，仅能绘制设计草图，无法替代渲染器生成设计效果图。5 结语稳定扩散模型能为展览馆空间设计提供一定的辅助，如为设计师提供设计草图、思维图像等。稳定扩散作为新时代开源的先进 AI 模型，无疑有更多的可能。然而，需要绘制 Lumion、Escape、V-Ray 等现实渲染效果时，稳定扩散因其种种原因难以快速稳定地生成复杂且完美的图像。所以，稳定扩散在当下难以替代各类渲染器为设计师提供展览馆空间设计在商业活动中提交设计方案时所需的现实效果图像。不过，相信在不久的未来，稳定扩散能够吸收更多的先进技术，稳定生成现实效果图像，使展览馆空间设计得到变革性发展。参考文献：1 赵鹏飞.当代展览馆的展示设计分析与研究J.包装工程，2011，32（2）：119-122.2 张乐.探索契合的展陈空间与公共空间：以中国大运河博物馆为例J.东南文化，2021（下转第 207 页）207第 37 卷第 3 期 2024 年 2 月Vol.37 No.3February 2024艺术科技间，以产生生态、经济和社会效益。这个综合体可以分为地上与地下两部分。在地下部分，基于海绵城市的理念，利用雨水渗透、净化和收集设施与一条隧道相结合，以有效减少地表径流，规避城市洪水灾害。在地面上，在原有绿地中增加一些休闲、购物、体育等创意空间，提供更多的公共服务设施，提升经济价值，实现绿地的“自立”。在地上部分，将垂直绿化和屋顶花园纳入景观结构中，不仅可以美化城市视觉空间，还可以有效缓解温室效应和热岛效应。以流域恢复为指导的蓝绿色生态网络规划旨在增强河流的连通性，整合流域资源，助力雨水管理和应对城市内涝。以气候改善为指导的绿色通风走廊规划有利于净化空气和城市降温，助力健康城市建设。此外，在运营管理层面，应严格限制绿色综合体建筑空间的密度和高度，通过绿线控制加强管理，确保其可持续发展。我国许多城市高楼林立，垂直化的绿化是补充城市绿地的一种好方法。因此，大型建筑物的屋顶可以种植绿植。阳台、窗户、室内家具顶部和建筑墙壁也可用于种植绿色植物，以减轻室内污染。在其他紧凑型城市，人行道、住宅、办公场所、湿地可能变成微型花园。通过这种方式，各行各业的人都可以直接或间接受益于绿色系统。通过上述各种方式建设健康导向的绿地系统，可以整合各种自然和文化景观资源，形成城乡绿色综合体，为城市居民提供更多的公共空间，控制城市蔓延，促进城市协调发展。还可以鼓励社会投资和公众参与，以提高绿色综合体的经济价值。3.4 建设以健康为导向的城市绿色生态廊道开放空间，如城市公园和城市道路附近的广场，是这条绿道的主要点。这条绿道的主要功能是美化城市环境，展示城市文化，为居民提供休闲通道。并且，与绿色生态走廊、绿道和蓝绿色网络结合。发展绿色技术、工农业循环经济，防止地表水和地下水污染。以路边景观整合为指导，整合道路沿线的所有自然和文化资源，减少建设活动，为人们提供更优美的公共空间。4 结语在中国城市化进程中，城市绿地系统逐渐割裂，基于此，本文探讨健康中国理念对城市绿色系统的影响，并基于此理念提出未来城市绿地系统的规划策略，以为实现健康中国目标，保持生态稳定、区域生态安全，并为动植物提供更安全的栖息地等提供更多支持。参考文献：1 玄泽亮，魏澄敏，傅华.健康城市的现代理念J.上海预防医学杂志，2002（4）：197-199.2 玄泽亮，傅华.城市化与健康城市J.中国公共卫生，2003，19（2）：236-238.3 张梦圆，荣丽华，党慧.基于 Citespace 的我国健康城市研究进展与趋势分析J.内蒙古工业大学学报（自然科学版），2023，42（4）：378-384.4 陈明，戴菲，傅凡，等.大气颗粒物污染视角下的城市街区健康规划策略 J.中国园林，2019，35（6）：34-38.5 李雄，张云路，木皓可，等.初心与使命：响应公共健康的风景园林 J.风景园林，2020（4）：91-94.6 谢杰锋，冯倩晶，徐皓琛，等.健康视角下半城市化地区绿地系统规划管控：以潮州市潮安城区为例J.规划师，2020，36（21）：92-98.作者简介：刘之丰（1998），女，湖北襄阳人，硕士在读，研究方向：城乡规划学。符盛凯（1998），男，江苏常州人，硕士在读，研究方向：城乡规划学。张磊（1977），男，江苏南京人，博士，副教授，研究方向：人居环境。（上接第 204 页）（3）：155-160.3 罗宾隆巴赫，安德烈亚斯布拉特曼，多米尼克洛伦茨，等.利用潜在扩散模型的高分辨率图像合成C/计算机视觉和模式识别会议（CVPR）.美国：IEEE/CVF，2022:10674-10685.4 祁旭，陈琦，贾杰，等.半参数图像合成C/计算机视觉和模式识别会议（CVPR）.美国：IEEE/CVF，2018：8808-8816.5 张吕敏，饶安仪，马尼什阿加瓦尔.向文本到图像扩散模型添加条件控制C/计算机视觉和模式识别会议（CVPR）.美国：IEEE/CVF，2023：3836-3847.6 乔纳森 何，阿杰 贾恩，彼得 阿贝尔.去噪扩散概率模型J.神经信息处理系统进展，2020（33）：6840-6851.7 郑光聪，周先盼，李雪伟，等.布局扩散：用于生成布局到图像的可控扩散模型C/计算机视觉和模式识别会议（CVPR）.美国：IEEE/CVF，2023：22490-22499.作者简介：高超（1969），男，湖北武汉人，硕士，副教授，研究方向：公共艺术设计。罗茂峰（1999），男，湖南株洲人，硕士在读，系本文通讯作者，研究方向：公共艺术设计。