7、设计潜在空间探索：建筑立面图像生成与控制

设计潜在空间探索：建筑立面图像生成与控制

1. 建筑图像生成研究现状

在建筑图像生成领域，以往大部分研究在生成建筑立面和其他建筑透视图时都需要条件输入。以下是一些具有代表性的研究：
| 年份 | 研究团队 | 模型名称 | 输入要求 | 成果与不足 |
| ---- | ---- | ---- | ---- | ---- |
| 2017 | Isola 等 | Pix2Pix | 街景和细化颜色标签作为配对图像输入 | 生成新颖街景和建筑立面图像，但依赖特定输入 |
| 2019 | Kyle Steinfeld | GAN Loci | Pix2Pix 版本需深度图作为条件输入，StyleGAN 版本受计算资源和数据集限制 | 仅训练出 512 像素方形未细化实例 |
| 2019 | Kelly 等 | FrankenGAN | 大量 3D 模型作为输入 | 可生成带详细立面纹理的 3D 建筑模型，但输入要求高 |
| 2019 | Mohammad 等 | - | AI 生成的数据集 | 仅得到低分辨率灰度图像 |
| 2020 | Chan 等 | - | 手绘草图 | 因数据集小和 GAN 架构小，输出低分辨率图像 |
| 2019 | Bachl 等 | City - GAN | 随机输入，学习大型街景数据集 | 可合成新颖城市图像，但图像质量和分辨率有限 |
| 2020 | Chen 等 | embedGAN | 以室内图像嵌入潜在空间作为起点 | 仅能应用训练过的图像，图像质量不佳 |

从这些研究可以看出，虽然在建筑图像生成方面取得了一定进展，但都存在不同程度的局限性，如对特定输入的依赖、图