呂新華,賴世嬌,葛沿靈,范晨璟,郝 晟

(1.南通市海安市自然資源和規(guī)劃局,江蘇 南通 226600;2.南京林業(yè)大學(xué),江蘇 南京 210037;3.南京云億科技有限公司,江蘇 南京 210019)

0 引言

近年來(lái),新興技術(shù)快速發(fā)展為建筑規(guī)劃設(shè)計(jì)帶來(lái)創(chuàng)新變革。傳統(tǒng)建筑規(guī)劃依賴人的主觀經(jīng)驗(yàn)判斷,手繪圖紙周期長(zhǎng)、效率低,受客觀因素影響方案不優(yōu)。隨著城鎮(zhèn)化進(jìn)程加速,建筑規(guī)劃工作量增大,需科學(xué)方法提高效率和精度。21世紀(jì),計(jì)算機(jī)和信息技術(shù)發(fā)展帶動(dòng)數(shù)字化建筑設(shè)計(jì)興起,人工智能廣泛應(yīng)用并推動(dòng)建筑規(guī)劃數(shù)字化[1]。同時(shí),數(shù)字城市的快速發(fā)展對(duì)設(shè)計(jì)提出了更高要求,需準(zhǔn)確分析和模擬城市空間布局,實(shí)現(xiàn)未來(lái)發(fā)展合理預(yù)測(cè)。因此,機(jī)器學(xué)習(xí)輔助建筑設(shè)計(jì)、預(yù)測(cè)城市建筑布局成為一個(gè)重要研究方向。

1 GAN發(fā)展現(xiàn)狀及在建筑規(guī)劃中的應(yīng)用

1.1 對(duì)抗性神經(jīng)網(wǎng)絡(luò)發(fā)展

生成對(duì)抗性神經(jīng)網(wǎng)絡(luò)(GAN)是一種模擬人的智能學(xué)習(xí)過(guò)程的計(jì)算機(jī)技術(shù),它于2014年由古德費(fèi)洛首次提出,并在圖像和視覺(jué)處理等領(lǐng)域得到廣泛研究和應(yīng)用。GAN的核心思想即通過(guò)訓(xùn)練使其能夠基于給定數(shù)據(jù)集生成真實(shí)的圖像,其模型由生成器和判別器組成。生成器負(fù)責(zé)從隨機(jī)噪點(diǎn)生成圖像,并試圖欺騙判別器,使其無(wú)法區(qū)分生成圖像與真實(shí)圖像;而判別器則試圖準(zhǔn)確判別兩者的區(qū)別。通過(guò)不斷的對(duì)抗訓(xùn)練,生成器和判別器能力會(huì)相互提高并達(dá)到一種平衡狀態(tài),使生成器得到數(shù)據(jù)樣本分布[2]。

隨著人工智能領(lǐng)域的發(fā)展,各種GAN的衍生模型涌現(xiàn),并在多領(lǐng)域應(yīng)用。比如:條件生成對(duì)抗網(wǎng)絡(luò)(CGAN)使生成圖像更具指導(dǎo)性;深度卷積生成對(duì)抗網(wǎng)絡(luò)(DCGAN)提高了穩(wěn)定性和性能[3]。

1.2 GAN在自動(dòng)化設(shè)計(jì)中的發(fā)展

設(shè)計(jì)自動(dòng)化相關(guān)研究不斷發(fā)展。從1930年深度學(xué)習(xí)應(yīng)用到2014年首次提出GAN框架,從基于簡(jiǎn)單數(shù)據(jù)生成網(wǎng)絡(luò)的拓展模型,再到運(yùn)用卷積網(wǎng)絡(luò)優(yōu)化圖像精度,推動(dòng)圖形與文本結(jié)合,實(shí)現(xiàn)結(jié)構(gòu)化圖形輸出[3]。

在GAN提出后,其衍生模型逐漸在自動(dòng)化設(shè)計(jì)領(lǐng)域得到應(yīng)用。例如,王坤峰等[2]介紹GAN背景、原理、模型及應(yīng)用。Wang等[4]研究了基于GAN的多個(gè)訓(xùn)練模型,實(shí)現(xiàn)建筑風(fēng)格變化及建筑布局生成。過(guò)往研究多涉及較小規(guī)模,近幾年開(kāi)始關(guān)注大面積建筑布局生成。劉躍中等[5]基于新加坡裕廊工業(yè)區(qū)數(shù)據(jù)訓(xùn)練GAN模型生成建筑布局圖像。楊柳[6]通過(guò)pix2pix模型實(shí)現(xiàn)青年公寓戶型設(shè)計(jì)。

這些應(yīng)用顯示GAN的優(yōu)勢(shì)如下:無(wú)須手動(dòng)定義特征和規(guī)律,自動(dòng)學(xué)習(xí)圖像數(shù)據(jù);控制生成圖像質(zhì)量以滿足不同需求;交互提供反饋和建議。

1.3 GAN在建筑規(guī)劃設(shè)計(jì)中的應(yīng)用

設(shè)計(jì)思維是在具體事物設(shè)想與改造計(jì)劃中運(yùn)用的思維方式,在規(guī)劃設(shè)計(jì)實(shí)踐中,設(shè)計(jì)師通過(guò)評(píng)估方案總體形態(tài),確定結(jié)構(gòu)與細(xì)節(jié)協(xié)調(diào),學(xué)習(xí)傳承設(shè)計(jì)知識(shí),提供多種方案供管理者選擇[7]。GAN在模型中生成和判斷訓(xùn)練,類似人類設(shè)計(jì)師“學(xué)以致用”。生成器相當(dāng)于學(xué)生,“經(jīng)驗(yàn)思維”創(chuàng)造高質(zhì)量作品;判別器相當(dāng)于專家,“系統(tǒng)思維”評(píng)估設(shè)計(jì)成果。二者對(duì)抗并優(yōu)化,學(xué)生提升設(shè)計(jì)水平,專家增加評(píng)價(jià)難度,直到判別器無(wú)法區(qū)分生成器產(chǎn)物是否為專家所作。在此背景下,GAN生成的方案能滿足規(guī)劃設(shè)計(jì)要求。

2 研究方法

2.1 GAN訓(xùn)練過(guò)程算法原理

這一訓(xùn)練過(guò)程算法原理及訓(xùn)練方法具體如下:生成器(G)與判別器(D)產(chǎn)生博弈框架。其中,數(shù)據(jù)輸入判別器D,為更準(zhǔn)確識(shí)別生成圖片,對(duì)D(x)不斷趨近于1,即要盡可能地大。同理,由隨機(jī)變量輸入生成器,即(D,G)=Exr～Pr(.)logD(x)+Ez～Pg(.)log{1-D[G(z)]}。為使生成器生成的數(shù)據(jù)通過(guò)判別器的判斷,對(duì)D[G(z)]不斷趨近于1,Ez～Pg(.)log{1-D[G(z)]}要盡可能地小,生成器服從真實(shí)數(shù)據(jù)樣本分布。最后,在互相對(duì)抗優(yōu)化過(guò)程使生成器與判別器的功能不斷加強(qiáng),并使其生成數(shù)據(jù)和真實(shí)數(shù)據(jù)判別結(jié)果一致。

2.2 標(biāo)注方法

進(jìn)行基于GAN的建筑自動(dòng)生成訓(xùn)練模型需要采集大量數(shù)據(jù)作為訓(xùn)練樣本,因此,數(shù)據(jù)集制作是必備環(huán)節(jié)。自動(dòng)生成數(shù)據(jù)集可能導(dǎo)致精度不佳,影響效果。因此,本文選擇手動(dòng)采集繪制數(shù)據(jù)集。

本文選擇Labelimg作為數(shù)據(jù)集標(biāo)注工具,其優(yōu)點(diǎn)是界面較簡(jiǎn)單,操作便捷,無(wú)需代碼,可輸出多種格式。但Labelimg是矩形標(biāo)注工具,處理多邊形需輔助使用Labelme,其支持自定義標(biāo)注。

訓(xùn)練步驟為選取江浙滬三地為樣本數(shù)據(jù)來(lái)源,分別截取1∶5 000和1∶10 000兩套圖片。標(biāo)注過(guò)程中,使用Labelme勾畫道路和河流輪廓,同時(shí)進(jìn)行類別標(biāo)注,使用Labelimg及l(fā)abelme標(biāo)注建筑輪廓。通過(guò)上述流程標(biāo)注2 000張圖片,得到地塊標(biāo)注集和建筑標(biāo)注集作為訓(xùn)練樣本。

2.3 訓(xùn)練方法

通過(guò)比較不同GAN的設(shè)計(jì)效果,發(fā)現(xiàn)CycleGAN有圖像清晰和模型穩(wěn)定的優(yōu)勢(shì),能夠輸出優(yōu)質(zhì)設(shè)計(jì)圖且支持交互編輯,因此選作開(kāi)發(fā)平臺(tái)。訓(xùn)練集選取不同尺度和地區(qū)的規(guī)劃案例以確保電腦學(xué)習(xí)已有成果后能完成特定任務(wù)(見(jiàn)表1)。同時(shí),設(shè)計(jì)多方案生成功能,調(diào)整參數(shù)輸出多方案供選,表2展示了訓(xùn)練方法。

表1 不同GAN運(yùn)用在規(guī)劃設(shè)計(jì)中的優(yōu)劣勢(shì)

表2 訓(xùn)練方法設(shè)定

3 GAN建筑布局自動(dòng)生成的結(jié)果與分析

3.1 基于GAN的建筑布局自動(dòng)生成圖片

使用大數(shù)據(jù)標(biāo)注軟件手動(dòng)標(biāo)注了2 000張圖紙作為訓(xùn)練樣本,并在CycleGAN中進(jìn)行訓(xùn)練。隨著訓(xùn)練次數(shù)增加,生成結(jié)果的功能布局趨于合理,渲染圖像逐漸真實(shí),細(xì)節(jié)增多,對(duì)于像素肌理問(wèn)題可通過(guò)高斯模糊處理減少。同時(shí),本文發(fā)現(xiàn)大比例尺下生成圖片質(zhì)量更優(yōu),建筑密度較大的居住地塊圖片質(zhì)量相對(duì)較差。

對(duì)建筑布局合理性評(píng)估后發(fā)現(xiàn),大多生成建筑呈現(xiàn)行列式布置,相對(duì)于真實(shí)建筑布局更加規(guī)整,建筑密度較高,而周邊式、自由式和混合式布置較少。作者邀請(qǐng)6名規(guī)劃專業(yè)學(xué)生參與圖靈測(cè)試,分辨20張真實(shí)與生成圖片,測(cè)試表明,基于GAN的建筑布局生成能達(dá)到普通規(guī)劃學(xué)生水平(見(jiàn)圖1)。

圖1 圖靈測(cè)試結(jié)果

3.2 案例地塊建筑規(guī)劃研究

本文選取常州大學(xué)新村二區(qū)居住用地作為案例地塊(見(jiàn)圖2),通過(guò)GAN生成了3套建筑布局方案(見(jiàn)圖3)。綜合考慮,方案2建筑形體布局規(guī)整,接近實(shí)際情況,基于此規(guī)劃了最終的方案如圖4所示。

圖2 兩種比例地塊概況

圖3 3種建筑布局方案

圖4 最終規(guī)劃設(shè)計(jì)

總體而言,基于GAN的建筑布局自動(dòng)生成在大比例尺下質(zhì)量較好,同時(shí)側(cè)重于選擇規(guī)整地塊以接近實(shí)際住宅用地規(guī)劃。

4 結(jié)論

數(shù)字化城市建設(shè)推動(dòng)建筑設(shè)計(jì)從“量”到“質(zhì)”轉(zhuǎn)變這一趨勢(shì)在未來(lái)10年將更明顯?；贕AN的建筑自動(dòng)生成研究為數(shù)字化建筑設(shè)計(jì)提供新思路。通過(guò)CycleGAN訓(xùn)練城市規(guī)劃預(yù)處理模型可用于總規(guī)、詳規(guī)并生成優(yōu)質(zhì)圖紙。

GAN在規(guī)劃設(shè)計(jì)應(yīng)用方面的前景和優(yōu)勢(shì)主要包括激發(fā)設(shè)計(jì)靈感、模擬設(shè)計(jì)案例、提高工作效率,本文案例研究展示了GAN規(guī)劃布局的可行性。但GAN也存在可解釋性不足、缺乏矢量數(shù)據(jù)格式支持、訓(xùn)練集獲取困難、約束性較弱等局限性?？傊?GAN具有前沿性,期待其未來(lái)發(fā)展能為智慧城市規(guī)劃建設(shè)貢獻(xiàn)更多力量。