LA专题 | 陈然 赵晶 | AI是如何理解设计方案的?

全文刊登于《风景园林》2023年第7期 P12-21

陈然，赵晶.基于样式生成对抗网络的风景园林方案生成及设计特征识别[J].风景园林，2023，30（7）：12-21．

基于样式生成对抗网络的风景园林方案生成及设计特征识别

陈然

男 / 高密度人居环境生态与节能教育部重点实验室联合研究员 / 北京林业大学园林学院在读博士研究生 / 研究方向为设计智能化、深度学习

赵晶

女 / 博士 / 高密度人居环境生态与节能教育部重点实验室研究院联合研究员 / 北京林业大学园林学院教授 / 城乡生态环境北京实验室成员 / 本刊副主编 / 研究方向为设计智能化、风景园林历史与理论、风景园林规划与设计

作者写作心得 

摘要：【目的】人工智能算法能否有效习得风景园林设计特征是一个值得探讨的问题。【方法】采用样式生成对抗网络2代（style generative adversarial network2, StyleGAN2）算法，通过算法训练生成风景园林设计方案；之后拆解StyleGAN2算法中的w向量，采用主成分分析（principal component analysis, PCA）降维方法和无监督学习K均值聚类方法可视化w向量特征；最后根据w向量的数据特征和生成结果的关联，分析算法对设计方案特征的提取能力。【结果】StyleGAN2可以为不同类型的场地生成高质量和多样化的设计方案，并且可以识别和提取一些高维抽象设计特征，如植被密度、水域面积、铺装面积、道路网络结构等。【结论】神经网络不仅可以识别图像形态特征，还可以在没有人类指导的情况下，无监督学习识别部分抽象的高维设计特征。但目前大部分设计特征耦合性较高，这是风景园林工作的复杂性和算法低可解释性共同导致的，需要未来进一步探索。

关键词：风景园林；神经网络；深度学习；生成设计；生成对抗网络；可解释性

人工智能如何理解设计特征？这是一个关键而亟待解决的新问题。

近年来，人工智能技术在图像处理、语音处理、自然语言处理等领域取得了突破，尤其是一些基于深度学习技术的图像生成模型（如Midjourney、Dall-E、Stable Diffusion等）。这些模型可以根据用户简单输入生成具有创造力的图像，为风景园林设计领域提供了新的可能性。然而，这些深度学习网络能否捕捉到设计作品的本质、规律和逻辑？还是仅能基于图形生成图形？这些问题具有重要的理论和实践意义，也面临着巨大的挑战。

本研究关注“人工智能如何理解设计特征？”这一问题，通过研究算法生成方案的特征信息，深入分析算法对设计特征的提取能力。

通用生成器生成方案结果

定向生成器生成方案结果

1 相关研究

人工智能技术的快速发展对设计领域产生极大冲击。近几年，风景园林智能化革命也逐步从参数化时代走向人工智能时代。

人工智能算法类型众多，在风景园林中的应用可以分为人工生命类、智能随机优化类和机器学习类。机器学习类是最为关键的分支之一，它具有强大的学习能力，可以通过大量数据训练拟合事物间的映射关系。机器学习类包含了多种算法，其中深度学习算法比其他机器学习算法的学习能力更强，神经网络的深度更深，为生成设计优化和广泛应用提供了可能性，也成为当前风景园林智能化改革的主要技术路线之一。

生成设计领域主要应用以下深度学习算法：生成对抗网络（generative adversarial network, GAN）系列、扩散模型（diffusion models）系列、流形模型（flow models）系列、自编码器（auto encoder, AE）系列。其中GAN系列通过多个神经网络之间相互对抗约束，而不是单纯逼近最优解，生成结果既能约束，也富有多样性。

GAN系列生成式设计已在场景效果图生成领域、室内外平面方案生成领域等诸多领域展开研究。基于深度学习的平面图生成相关研究更加契合规划设计本质，是现阶段人工智能算法驱动的生成设计研究的核心部分。

但目前，平面图AI生成式设计研究仍集中于如何构建生成设计技术流程，以及如何将该流程迁移到更复杂的空间规划工作。较少研究对于“算法理解设计规律的内在模式”展开研究。

这是因为：第一，从景观评价角度，难以量化的评价逻辑限制了图神经网络（GNN）在风景园林生成设计中的应用。第二，从算法的角度，风景园林方案包含大量难以解释的抽象特征，特征之间存在大量的特征耦合性。“如何解耦”是深度学习生成式设计的重难点问题。

综上，本研究借助StyleGAN深度学习算法进行景观平面图生成式研究。研究中通过大量的设计方案训练算法，抓取算法内部隐空间特征，分析算法能否识别风景园林方案抽象设计特征，可以识别哪些特征，以及能否解开特征耦合性。最终实现对于“算法理解设计规律的内在模式”这一重难点问题的探究。

[相关名词解释]

*生成式设计

生成设计是一种由设计师和计算机协同工作的设计流程，即在设计师给定设计空间的基础上，借助计算机的数据计算高效生成大量设计方案，其次基于用户限定筛选出符合要求的高质量方案。

*特征耦合性

feature coupling，是Tero Karras在StyleGAN算法原文中提出的概念，指不同数据特征之间的影响程度

*图神经网络

graph neural network, GNN。图（graph）是一种由节点（node）和边（edge）组成的数据结构，可以表示复杂的关系和信息。图神经网络（GNN）是一种基于图的深度学习模型，可以通过卷积、注意力、自编码器等方法，从图（graph）中学习节点或图的特征表示。是目前建筑领域可控可解释生成方法的技术方法之一。

2 研究方法

2.1  数据来源

本研究数据来源是105个针对同一场地的“一题多解”方案，来源于北京林业大学园林专业学生作业，包括针对同一场地（北京市海淀区西北旺一处10 hm²绿地空间）的105种不同风格的设计方案。

2.2  研究方法

本研究以三部分展开：

1）StyleGAN算法训练。

训练StyleGAN的算法，探究StyleGAN是否具有生成设计方案的能力。训练后得到StyleGAN生成器，并生成大量设计方案。

2）w向量数据特征分析。

w向量代表图像特征。利用PCA降维方法可视化w向量的分布，之后通过聚类和图像嵌入探究w向量是否包含多样化的图像特征，以及能否有效提取特征信息。

3）w向量语义信息分析。

利用truncation 技巧对w向量的语义信息进行分析，探究w向量包含的图像特征信息中是否存在高维抽象的风景园林设计特征。

2.3  StyleGAN算法训练原理

StyleGAN是一种生成对抗网络，可以通过控制不同层次的风格特征实现对生成图像的细粒度编辑。

随机噪声向量z作为输入，通过8个全连接网络层，得到一个w向量。这个w向量是一种经过特征解耦的隐空间向量，包含了不同层次的风格特征。然后，一个固定常数和w向量作为输入，w向量的不同部分会传到与每个层次相对应的部分，控制不同尺度的特征，通过一个类似于渐进式增长生成对抗网络（ProGAN）的架构，从4×4到8×8逐步生成高分辨率的图像。

本次研究中选用了StyleGAN2模型，训练采用512×512分辨率，在双卡NVIDIA 3090 GPU上运行，显存为64 GB。

2.4  w向量数据特征分析方法

w向量的数据特征分析，是为了探究w向量是否包含多样化的图像特征以及能否有效提取设计特征。

研究通过降维、聚类与图像嵌入2个步骤完成w向量的分析。

2.4.1  降维

降维过程采用了主成分分析（principal component analysis, PCA）降维方法，对w向量与z向量进行降维。

2.4.2  聚类与图像嵌入

仅通过降维获得的数据（w向量的分布位置）难以分析算法习得的特征是否为设计特征。因此继续通过k-means 无监督聚类方法对图像进行聚类，并通过图像嵌入的方法可视化“w向量分布点对应的平面图数据”。以此通过生成方案的设计特征差异进一步分析算法能否有效提取设计特征。

2.5  w向量语义信息分析方法

w向量语义信息分析是为了探究w向量提取的特征中是否包含景观设计特征。本研究中通过“truncation 技巧截断w向量”实现对于语义信息的分析。

truncation 技巧截断w向量基于以下公式展开：

其中，w为每个生成方案对应的原始特征w向量；¯w为平均特征w向量，是W空间中分布的所有特征点的平均点；φ为截断系数，一般情况下0⩽φ⩽1。

通过调节φ从0到1，可以分析方案在同一w向量不同强度影响下，从“平均方案”到“特定生成方案”的连续变化。以此分析每一个w向量所内含的设计特征语义。

3 结果分析

3.1  StyleGAN训练生成结果

经过前期算法训练，生成器可以生成大量设计方案。结果可得，StyleGAN具有生成设计方案的能力，且生成结果具有多样性。

3.2  w向量数据特征分析结果

设计方案由w向量控制，w向量中包含了设计方案的所有特征，每一个w向量控制一张图像。下面将从“w向量降维分析”和“w向量聚类和图像嵌入”2个方面进行分析。

3.2.1  w向量降维分析

降维是为了可视化w向量的分布。由于w向量（设计特征）由z向量（随机噪声）经过映射网络得来，因此研究中对w向量与z向量都进行了降维处理。

1）单个w向量特征分析：对单个w向量和单个z向量数值进行统计分布。w向量经过映射网络之后已经将趋近于标准正态分布的z向量转换为带有特征的w向量，初步证明了映射网络已经习得某种特征。

z向量和w向量数据特征对比

2）多个w向量特征分析：对多个w向量和z向量进行降维处理，获得其分布特征结果。结果显示，输入的多个z随机向量是完全随机分布的，而输出的w向量带有明显的特征，初步证明映射网络可以习得多样化特征，且可以猜测特征中心即设计方案中的特征均值。

多个z向量和w向量分布的对比

3.2.2  w向量聚类和图像嵌入

w向量带有一定的特征信息，而这些信息能否反映设计方案信息，则需要进一步分析。

经过上述降维分析，w向量分布在二维空间中，每个点代表一个w向量，每个w向量对应着一个生成结果。接下来需要逐步处理数据：

1）聚类：采用K-means算法将w向量分为多个类别。

2）图像嵌入：抓取每个点（w向量）所对应的设计方案（生成结果），匹配到每个点上。

如图所示，算法可以将w向量分出来多种类别，每种类别的w向量对应的生成结果中的设计特征是相似的。初步证明算法可以习得某种设计特征。

w向量聚类与图像嵌入

3.3  w向量语义信息分析结果

w向量带有一定的设计特征信息，而这些特征信息包含了什么语义，则需要进一步分析。

研究采用截断技巧截断w向量：设置截断系数φ为0~1的10个连续浮点数（步长为0.1），基于前文100个随机z向量，共同约束算法生成1000个w向量，再降维、聚类。当φ为0时，w向量为平均w向量，所对应生成方案为平均方案；当φ为1时，w向量为完整w向量，所对应生成方案为多样性设计方案。

1）基于w向量分布规律分析平均w向量所包含语义：

进一步嵌入图像分析，可视化平均w向量（φ为0）所对应的平均方案。结果表明，生成器可以从多种方案中总结通用的设计框架，该设计方案可以代表最适宜该场地的设计方案，其他的多样性方案都是基于此框架进行设计内容上的微调。

平均w向量及平均方案

2）基于特征变化方向分析完整w向量所包含语义：

将生成器的完整w向量（φ为1）进行标红、聚类、图像嵌入如图，得到100个带有完整设计特征的多样化设计方案，从中选取5个方案深入分析。从0到1调节φ，分析w向量在不同的截断系数影响下的变化。受到截断系数的影响，方案特征向特定方向变化，可基于方案特征变化的方向分析该w向量所包含的语义特征。

标红、聚类及图像嵌入

案例一：特征连续变化影响下的植被郁闭度变化

案例二：特征连续变化影响下的水体面积连续变化

案例三：特征连续变化影响下的硬质铺装面积与分布连续变化

案例四：特征连续变化影响下的活动广场分布、植被连续变化

案例五：特征连续变化影响下的水体形态变化

在案例一、案例二中，w向量代表的意义分别是植物郁闭度、水体面积。从结果可见，算法可以在完全没有其他信息的情况下，仅通过大量设计方案习得植物郁闭度与水体面积等抽象指标含义。在截断系数的影响下，案例一的方案基本结构保持不变，植物郁闭度整体增加，植物围合的草坪空间减少。算法能考虑植物群落边缘丰富灵活的点状种植，创造多样植物空间。值得注意的是，案例二随着截断系数的变化，方案显示的水体面积减小，但水岸线的位置并未发生变化。水体在逐步干涸，而非简单的面积变化。

案例三、案例四都是针对铺装广场相关指标的变化，但由于铺装广场分布变化会影响整个方案结构布局，因此在这两个案例中，整体的植物、水体都有细微的变化，这种问题是特征缠绕引起的，说明算法无法完全解耦特征，但由于设计工作的特殊性，铺装广场的改变会影响整体设计方案的改变，这种特征缠绕一定会出现。

案例五则出现了更严重的特征缠绕，算法在修改水体布局的时候，整个方案的多种特征同时变化。甚至在方案变化过程中，不同阶段的截断系数变化主要影响的特征不同，如φ取值0~0.4的时候主要修改方案铺装广场分布和路网结构，取值0.5~0.9的时候主要修改水体形态和种植群落分布。可见，如果再对w向量进行微调，可以挖掘同一个w向量中的不同设计特征。

基于此，本研究最后进行了4个w向量的截断系数微调测试。结果表明：通过微调截断系数，算法可以区分出植物郁闭度、路网密度、驳岸硬化程度、路网结构4种高级设计属性。

w向量截断系数微调

4  结论与展望

本研究应用StyleGAN2算法挖掘风景园林设计方案设计特征，通过数据分布可视化、聚类、图像嵌入等技术方法探究神经网络中人类不可解的部分，以探究人工智能算法如何理解风景园林设计特征，推进智能设计循证研究。笔者发现，人工智能算法可以识别、提取设计方案中部分高维设计特征。算法识别的特征中，不仅包含了图像形态特征，也包含了富含设计语义的高维设计特征。

但目前算法识别的大部分特征还是难以解耦：一方面是因为风景园林设计工作的复杂性，评价指标难以量化；另一方面是因为算法本身的不可解释性，从神经网络黑盒中提取出有效信息难度较大。但即便难度大，算法驱动下的设计循证依然是一个非常重要的研究问题，因为算法正在逐步介入真实设计工作，可解释性研究与算法开发研究是同等重要的。可解释性研究有助于约束算法以满足设计师需求，目前本研究暂未涉及该问题，这也是未来可以继续深入的研究方向。

图片来源：

图片均由作者绘制。

为了微信阅读体验，文中参考文献标注进行了删减，详见杂志。

参考文献

[1] KRIZHEVSKY A, SUTSKEVER I, HINTON G. ImageNet Classification with Deep Convolutional Neural Networks[J]. Advances in Neural Information Processing Systems, 2012, 25 (2): 1097-1105.       

[2] HE K, ZHANG X, REN S, SUN J. Deep Residual Learning for Image Recognition[C]//IEEE. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016: 770-778.       

[3] SILVER D, HUANG A, MADDISON C J, et al. Mastering the Game of Go with Deep Neural Networks and Tree Search[J]. Nature, 2016, 529: 484-489.       

[4] SILVER D, SCHRITTWIESER J, SIMONYAN K, et al. Mastering the Game of Go without Human Knowledge[J]. Nature, 2017, 550: 354-359.       

[5] PASZKE A, GROSS S, MASSA F, et al. PyTorch: An Imperative Style, High-Performance Deep Learning Library[C]//HANNA M W, HUGO L, ALINA B. Proceedings of the 33rd International Conference on Neural Information Processing Systems. Red Hook: Curran Associates Inc., 2019: 8026–8037.       

[6] ABADI M, BARHAM P, CHEN J, et al. TensorFlow: A System for Large-Scale Machine Learning[C]//KIMBERLY K, TIMOTHY R. Proceedings of the 12th USENIX Conference on Operating Systems Design and Implementation. Savannah: USENIX Association, 2016: 265-283.       

[7] VASWANI A, SHAZEER N, PARMAR N, et al. Attention is All You Need[C]//ULRIKE V L, ISABELLE G, SAMY B, et al. Proceedings of the 31st International Conference on Neural Information Processing Systems. Long Beach: Curran Associates Inc., 2017: 6000-6010.       

[8] WU T, HE S, LIU J, et al. A Brief Overview of ChatGPT: The History, Status Quo and Potential Future Development[J]. IEEE/CAA Journal of Automatica Sinica, 2023, 10 (5): 1122-1136.       

[9] ZHU J, PARK T, ISOLA P, et al. Unpaired Image-to-image Translation Using Cycle-Consistent Adversarial Networks[C]//IEEE. Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV). Venice: IEEE, 2017: 2242-2251       

[10] ISOLA P, ZHU J Y, ZHOU T, et al. Image-to-Image Translation with Conditional Adversarial Networks[C]//IEEE. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE Computer Society, 2017: 1125-1134.       

[11] KALPOKIENE J, KALPOKAS I. Creative Encounters of a Posthuman Kind: Anthropocentric Law, Artificial Intelligence, and Art[J]. Technology in Society, 2023, 72: 102197.       

[12] KARRAS T, LAINE S, AILA T. A Style-Based Generator Architecture for Generative Adversarial Networks[C]//IEEE. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach: IEEE, 2019: 4396-4405.       

[13] PARK T, LIU M, WANG T, et al. Semantic Image Synthesis with Spatially-adaptive Normalization[C]//IEEE. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach: IEEE, 2019: 2337-2346.       

[14] RADFORD A, KIM J W, HALLACY C, et al. Learning Transferable Visual Models from Natural Language Supervision[C]//MEILA M, ZHANG T. Proceedings of the 38th International Conference on Machine Learning. Vienna: PMLR, 2021: 8748-8763.       

[15] RAMESH A, PAVLOV M, GOH G, et al. Zero-Shot Text-to-image Generation[C]//MEILA M, ZHANG T. Proceedings of the 38th International Conference on Machine Learning. Vienna: PMLR, 2021: 8821-8831       

[16] 赵晶，陈然，鲍贝.生成对抗网络在小尺度空间布局生成设计中的研究进展与未来展望[J].装饰，2022（3）：80-85.

ZHAO J, CHEN R, BAO B. Research Progress and Prospects for Generative Adversarial Network in the Generation Design of Small Scale Spatial Layout[J]. Zhuangshi, 2022 (3): 80-85.

[17] 包瑞清.基于机器学习的风景园林智能化分析应用研究[J].风景园林，2019，26（5）：29-34.

BAO R Q. Research on Intellectual Analysis and Application of Landscape Architecture Based on Machine Learning[J]. Landscape Architecture, 2019, 26 (5): 29-34.

[18] 赵晶，曹易.风景园林研究中的人工智能方法综述[J].中国园林，2020，36（5）：82-87.

ZHAO J, CAO Y. Architecture Review of Artificial Intelligence Methods in Landscape Architecture[J]. Chinese Landscape Architecture, 2020, 36(5): 82-87.

[19] 陈然，赵晶，郝慧超，等.基于多模态深度学习的审美认知规律大规模测度方法[J].装饰，2021（7）：106-111.

CHEN R, ZHAO J, HAO H C, et al. A Large-Scale Measurement Method of Esthetical Appreciation Laws Based on the Multimodal Machine Learning[J]. Zhuangshi, 2021 (7): 106-111.

[20] 赵晶，陈然，郝慧超，等.机器学习技术在风景园林中的应用进展与展望[J].北京林业大学学报，2021，43（11）：137-156.

ZHAO J, CHEN R, HAO H C, et al. Application Progress and Prospect of Machine Learning Technology in Landscape Architecture[J]. Journal of Beijing Forestry University, 2021, 43 (11): 137-156.

[21] 李飚，韩冬青.建筑生成设计的技术理解及其前景[J].建筑学报，2011（6）：96-100.

LI B, HAN D Q. Technical Comprehension of Architectural Generative Design and Its Prospects[J]. Architectural Journal, 2011 (6): 96-100.

[22] 蔡凌豪.风景园林数字化规划设计概念谱系与流程图解[J].风景园林，2013，20（1）：48-57.

CAI L H. The Concept Hierarchy and Procedure Diagram of Digital Planning and Design for Landscape Architecture[J]. Landscape Architecture, 2013, 20 (1): 48-57.

[23] 李飚，郭梓峰，季云竹.生成设计思维模型与实现：以“赋值际村”为例[J].建筑学报，2015（5）：94-98.

LI B, GUO Z F, JI Y Z. Modeling and Realizing Generative Design: A Case Study of the Assignment of Ji Village[J]. Architectural Journal, 2015 (5): 94-98.

[24] WU A N, STOUFFS R, BILJECKI F. Generative Adversarial Networks in the Built Environment: A Comprehensive Review of the Application of GANs Across Data Types and Scales[J]. Building and Environment, 2022, 223: 109477.       

[25] LIANG J, HE X Y, ZENG G M, et al. Integrating Priority Areas and Ecological Corridors into National Network for Conservation Planning in China[J]. Science of the Total Environment, 2018, 626: 22-29.       

[26] JI S P, SHEN Y Y, LU M, et al. Building Instance Change Detection from Large-Scale Aerial Images Using Convolutional Neural Networks and Simulated Samples[J]. Remote Sensing, 2019, 11 (11): 1343.       

[27] SAHA S, BOVOLO F, BRUZZONE L. Building Change Detection in VHR SAR Images via Unsupervised Deep Transcoding[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59 (3): 1917-1929.       

[28] SHI Y L, LI Q Y, ZHU X X. Building Footprint Generation Using Improved Generative Adversarial Networks[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16 (4): 603-607.       

[29] TANG L, NIKOLOPOULOU M, ZHAO F Y, et al. CFD Modeling of the Built Environment in Chinese Historic Settlements[J]. Energy and Buildings, 2012, 55: 601-606.       

[30] REN Z L, HOU B, WU Q, et al. A Distribution and Structure Match Generative Adversarial Network for SAR Image Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58 (6): 3864-3880.       

[31] KELLY T, GUERRERO P, STEED A, et al. FrankenGAN: Guided Detail Synthesis for Building Mass Models Using Style-Synchonized GANs[J]. ACM Transactions on Graphics, 2018, 37: 1-14.       

[32] SUN C, ZHOU Y R, HAN Y S. Automatic Generation of Architecture Facade for Historical Urban Renovation Using Generative Adversarial Network[J]. Building and Environment, 2022, 212: 108781.       

[33] ZHANG Y X, WANG S Y, CHEN B, et al. TrafficGAN: Network-Scale Deep Traffic Prediction with Generative Adversarial Nets[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22 (1): 219-230.       

[34] BOULILA W, GHANDORH H, KHAN M A, et al. A Novel CNN-LSTM-based Approach to Predict Urban Expansion[J]. Ecological Informatics, 2021, 64: 101325.       

[35] LEVY N, RENDER M, BENENSON I. Spatially Explicit Modeling of Parking Search as a Tool for Urban Parking Facilities and Policy Assessment[J]. Transport Policy, 2015, 39: 9-20.       

[36] CHOI S, KIM J, YEO H. TrajGAIL: Generating Urban Vehicle Trajectories Using Generative Adversarial Imitation Learning[J]. Transportation Research Part C-Emerging Technologies, 2021, 128: 103091.       

[37] LI D Z, LIN C, GAO W, et al. Capsules TCN Network for Urban Computing and Intelligence in Urban Traffic Prediction[J]. Wireless Communications and Mobile Computing, 2020, 2020: 1-15.       

[38] LI R N, ZHENG H, LÜ S Y, et al. Development and Evaluation of a New Index to Assess Hydrologic Regulating Service at Sub-watershed Scale[J]. Ecological Indicators, 2018, 86: 9-17.       

[39] GUO D E, XIA Y, LUO X B. GAN-based Semisupervised Scene Classification of Remote Sensing Image[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18 (12): 2067-2071.       

[40] TAO Y, MULLER J-P. Super-Resolution Restoration of MISR Images Using the UCL MAGiGAN System[J]. Remote Sensing, 2019, 11 (1): 52.       

[41] LI J X, HONG D F, GAO L R, et al. Deep Learning in Multimodal Remote Sensing Data Fusion: A Comprehensive Review[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 112: 102926.       

[42] WU A N, BILJECKI F. GANmapper: Geographical Data Translation[J]. International Journal of Geographical Information Science, 2022, 36 (7): 1394-1422.       

[43] CHEN B, LI J, JIN Y F. Deep Learning for Feature-Level Data Fusion: Higher Resolution Reconstruction of Historical Landsat Archive[J]. Remote Sensing, 2021, 13 (2): 167.       

[44] MAO K, ZHU Q M, SONG M Z, et al. Machine-Learning-Based 3-D Channel Modeling for U2V mmWave Communications[J]. IEEE Internet of Things Journal, 2022, 9 (18): 17592-17607.       

[45] ANDRADE H J A, FERNANDES B J T. Synthesis of Satellite-Like Urban Images from Historical Maps Using Conditional GAN[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 3000504.       

[46] WANG S D, ZENG W, CHEN X, et al. ActFloor-GAN: Activity-Guided Adversarial Networks for Human-Centric Floorplan Design[J]. IEEE Transactions on Visualization and Computer Graphics, 2021, 29 (3): 1610-1624.       

[47] NAUATA N, CHANG K, CHENG C, et al. House-GAN: Relational Generative Adversarial Networks for Graph-constrained House Layout Generation[C]//VEDALDI A, BISCHOF H, BROX T, et al. European Conference on Computer Vision (ECCV). Glasgow: Springer-Verlag, 2020: 162-177.       

[48] NEWTON D. Deep Generative Learning for the Generation and Analysis of Architectural Plans with Small Datasets[C]//SOUSA J P, HENRIQUES G C, XAVIER J P. Proceedings of 37 eCAADe and XXIII SIGraDi Joint Conference, “Architecture in the Age of the 4Th Industrial Revolution”. Porto: eCAADe, 2019: 21-28.        

[49] HU R Z, HUANG Z Y, TANG Y H, et al. Graph2Plan: Learning Floorplan Generation from Layout Graphs[J]. ACM Transactions on Graphics, 2020, 39 (4): 118.       

[50] ZHOU Y F, PARK H-J. Sketch with Artificial Intelligence (AI): A Multimodal AI Approach for Conceptual Design[C]//CAADRIA. Proceedings of the 26th International Conference of the Association for Computer-Aided Architectural Design Research in Asia (CAADRIA) 2021. Hong Kong: CAADRIA, 2021: 201-210.       

[51] LI Y Q, XU W G. Using CycleGAN to Achieve the Sketch Recognition Process of Sketch-Based Modeling[C]//YUAN P F, CHAI H, YAN C, et al. Proceedings of the 2021 DigitalFUTURES. Singapore: Springer, 2022: 26-34.       

[52] CHAILLOU S. ArchiGAN: Artificial Intelligence x Architecture[C]//YUAN P F, XIE M, LEACH N, et al. Architectural Intelligence: Selected Papers from the 1st International Conference on Computational Design and Robotic Fabrication (CDRF 2019). Singapore: Springer, 2020: 117-127.       

[53] HUANG W, ZHENG H. Architectural Drawings Recognition and Generation Through Machine Learning[C]//ANZALONE P, DEL SIGNORE M, WIT A J. Recalibration: on Imprecision and Infidelity: Proceedings of the 38th Annual Conference of the Association for Computer Aided Design in Architecture, ACADIA 2018. Mexico: ACADIA, 2018: 156-165.       

[54] ZHENG H. Drawing with Bots: Human-Computer Collaborative Drawing Experiments[C]//HUANG W, WILLIAMS M, LUO D, et al. Learning, Adapting and Prototyping: 23rd International Conference on Computer-Aided Architectural Design Research in Asia (CAADRIA 2018). Hong Kong: CAADRIA, 2018:127-132.       

[55] 陈梦凡，郑豪，吴建.基于生成对抗网络的复合功能体系计算性设计：以职业技术学院校园平面生成为例[J].建筑学报，2022（S1）：103-108.

CHEN M F, ZHENG H, WU J. Computational Design of Multi-Functional System Based on Generative Adversarial Networks Taking the Layout Generation of Vocational and Technical College as an Example[J]. Architectural Journal, 2022(S1): 103-108.

[56] PAN Y Z, QIAN J, HU Y D. A Preliminary Study on the Formation of the General Layouts on the Northern Neighborhood Community Based on GauGAN Diversity Output Generator[C]//YUAN P F, YAO J, YAN C, et al. Proceedings of the 2020 DigitalFUTURES. Singapore: Springer, 2021: 179-188.       

[57] 孙澄，丛欣宇，韩昀松.基于CGAN的居住区强排方案生成设计方法[J].哈尔滨工业大学学报，2021，53（2）：111-121.

SUN C, CONG X Y, HAN Y S, Generative Design Method of Forced Layout in Residential Area Based on Cgan[J]. Journal of Harbin Institute of Technology, 2021, 53(2): 111-121.

[58] 林文强.基于深度学习的小学校园设计布局自动生成研究[D].广州：华南理工大学：2020.

LIN W Q. Research on Automatic Generation of Primary School Schoolyard Layout Based on Deep Learning[D]. Guangzhou: South China University of Technology, 2020.

[59] 张彤.基于深度学习的住宅群体排布生成实验[D].南京：南京大学，2020.

ZHANG T. Experiments on Generation of the Arrangement of Residential Groups Based on Deep Learning[D]. Nanjing: Nanjing University, 2020.

[60] LIU Y, LUO Y, DENG Q, et al. Exploration of Campus Layout Based on Generative Adversarial Network[C]//YUAN P F, YAO J, YAN C, et al. CDRF 2020: Proceedings of the 2020 DigitalFUTURES. Singapore: Springer, 2021: 169-178.       

[61] YE X Y, DU J X, YE Y. MasterplanGAN: Facilitating the Smart Rendering of Urban Master Plans via Generative Adversarial Networks[J]. Environment and Planning B: Urban Analytics and City Science, 2022, 49 (3): 794-814.       

[62] 周怀宇，刘海龙.人工智能辅助设计：基于深度学习的风景园林平面识别与渲染[J].中国园林，2021，37（1）：56-61.

ZHOU H Y, LIU H L. Artificial Intelligence Aided Design: Landscape Plan Recognition and Rendering Based on Deep Learning[J]. Chinese Landscape Architecture, 2021, 37 (1): 56-61.

[63] YANG L L, LI Z C, MA S L, et al. Artificial Intelligence Image Recognition Based on 5G Deep Learning Edge Algorithm of Digestive Endoscopy on Medical Construction[J]. Alexandria Engineering Journal, 2022, 61 (3): 1852-1863.       

[64] CHEN R, ZHAO J, YAO X Q, et al. Generative Design of Outdoor Green Spaces Based on Generative Adversarial Networks[J]. Buildings, 2023, 13 (4): 1083.       

[65] 陈然.基于生成对抗网络的风景园林生成设计研究[D].北京：北京林业大学，2022.

CHEN R. Research on Generative Design of Landscape Garden Based on Generative Adversarial Network[D]. Beijing: Beijing Forestry University, 2022.

版面预览

相关阅读：

完整深度阅读请参看《风景园林》2023年7期

扫描下方二维码或点击阅读原文进入店铺购买

文章编辑 王一兰

微信编辑 刘芝若

微信校对 王一兰

审核 曹娟

声明

本文版权归本文作者所有

未经允许禁止转载

如需转载请与后台联系

欢迎转发