4、建筑设计中的机器学习应用：从草图识别到园林布局生成

建筑设计中的机器学习应用：从草图识别到园林布局生成

1. 建筑草图识别与CycleGAN应用

1.1 研究背景与目标

在建筑设计领域，草图识别和基于草图的建模一直是重要的研究方向。由于建筑师具备建筑设计逻辑、理解草图设计意图和强大的3D空间能力，基于草图的建模对他们来说是最合适的选择。此前已有学者尝试使用机器学习及其算法进行建筑生成任务，如使用风格迁移算法生成建筑表皮、规划城市，利用pix2pix算法进行室内单元生成等。本研究旨在通过CycleGAN实现草图到图像的转换，完成基于草图的建模，这也是一项关于建筑生成的研究。

1.2 CycleGAN网络架构

建筑师曾尝试多种算法实现图像到图像的转换，如风格迁移算法和pix2pix算法。风格迁移算法源于纹理生成领域并结合了深度目标识别领域，核心是纹理风格；pix2pix算法是cGAN的优化版本，但对数据要求严格，需要配对数据。而在很多任务中，配对的训练数据往往不可用，例如本研究中的建筑草图和图像数据就是未配对数据，相当于同一场景的两种模式。CycleGAN可以解决pix2pix算法对数据配对要求严格的问题。

CycleGAN旨在学习在没有配对示例的情况下，将图像从源域X转换到目标域Y的映射G: X → Y，使得G(X)的图像分布与Y的分布在对抗损失下难以区分。由于这种映射约束不足，CycleGAN引入了逆映射F: Y → X，并引入循环一致性损失来确保F(G(X)) ≈ X（反之亦然）。

1.3 数据准备

• 数据收集原则 ：
  • 草图和建筑图像必须对应同一建筑，虽Cy