学员访谈&国际顶级会议发表经历 | 我们对人工智能改变城市,建筑和室内设计的畅想
The following article is from TechArt学究科研社 Author TechArt科研社
○关注我们, 请点击屏幕上方 UniDesignLab
以下文章来源于TechArt学究科研社 ，作者TechArt科研社
CONGRATULATIONS！
TechArt2020年部分发表的学员录取信（共计21篇国际顶级会议和期刊收录）
本期的学员访谈，我们整理了下半年陆续完成且发表的部分人工智能类纯研究项目与大家一起分享。学员在分享合集中结合了机器学习在城市规划，建筑设计，以及室内家具排布的应用，讨论了人工智能如何作为辅助设计的工具改变原本的方法和设计思路，既有图像至图像的机器学习，也有矢量至矢量学习的创新，以提供更多的设计可能并提高设计效率。
若对人工智能感兴趣且属于学习初期，也可以参考我们之前总结的学习资源干货：
设计师如何自学人工智能？有哪些推荐的优质教程与有趣的线上平台
//About “Artificial Intelligence Driven Design”//
关于人工智能驱动式设计
AI如何改变与补充我们现有的理论与设计实践框架？
At the heart of any innovation process lies a fundamental practice: the way people create ideas and solve problems. This “decision making” side of innovation is what scholars and practitioners refer to as “design.” Decisions in innovation processes have so far been taken by humans. What happens when they can be substituted by machines? Artificial Intelligence brings data and algorithms to the core of the innovation processes. What are the implications of this diffusion of AI for our understanding of design and innovation? Is AI just another digital technology that, akin to many others, will not significantly question what we know about design? —— 文章 “Innovation and Design in the Age of Artificial Intelligence”
“AI在城市+建筑+室内+计算机的多领域应用”
R.同学
伦敦大学学院 建筑设计硕士
爱丁堡大学 室内设计学士
W.同学
（计算机跨专业应用）
宾夕法尼亚大学系统工程硕士
加州大学圣地亚哥分校数学和计算机科学理学学士
A.同学
（计算机跨专业应用）
宾夕法尼亚大学 电力工程硕士
深圳大学物理学学士
其他项目合作者
S.同学
Pratt 建筑设计学士
（宾夕法尼亚大学暑期研究项目学员）
L.同学
加州大学洛杉矶分校 建筑设计硕士
浙江科技大学 建筑设计学士
1）研究型设计作品项目
2）国际顶级会议文章发表
3）于国际顶级会议现场宣读并汇报论文
参加会议的部分证书
做设计的时候总会陷入一种无法突破的圈里，无论是在概念上，还是在反复的图面表达上都感觉是对前人想法的重复。开始接触学术领域是因为被创新型的方法论所吸引，接触人工智能也是对于前沿技术的兴趣，如何将技术和我们常规的建筑城市或是室内产品等设计手法相结合，进而提出新的设计方法论或设计工具，以提高设计效率和设计的多元性，成为了我的兴趣和研究重点。”
相比于设计项目的思路，研究项目的思路，主要是以下几大板块的思考步骤：
Background | 对某一技术/设计方法/设计现象的研究
Literature Review | 总结现有的方法的缺陷，以及改进之处
Methodology | 提出新的方法论
Experiment&Result | 实验验证方法论的可行性与实现效果
“New Tool” | 最后形成应用性的新设计工具
分享项目1：基于机器学习的城市填空算法
研究主题 | Topic：
AI & Urban Deisgn | Urban Planning and Machine Prediction
研究关键词 | Keywords：
人工智能 | 机器学习 | 城市设计 | 生成对抗网络
生成对抗网络GAN（图像数据的学习到图像数据的生成）
研究背景 | Background：
城市规划初期的项目方案，需要结合合理的布局，根据场地所处的环境以及城市的特质和政策等，综合安排空间的组织关系。该项目讨论了人工智能作为工具，是否可以在城市规划的初期，协助设计师们共同决策场地的空间排布情况。基于GAN（生成对抗网络）对于图像学习与生成的特质，该研究将GAN应用于不同城市图像数据的学习，以生成在已知的环境中对于场地建筑数量与排布位置的预测性图像，启发城市设计师在不同条件下的设计策略。
研究问题 | Research Question：
对于需要规划的场地，是否可以由其所在的基本城市环境，生成该场地合适的建筑排图？
颜色标签-基本功能分类，红色-道路；绿色-绿化景观；蓝色-河流；白色-建筑物；黑色-空地；城市标签：a)深圳; b)昆明; c)贵阳; d)成都; e) 上海; f)开封; g)北京; h)福州.
研究方法 | Methodology：
1）数据标签 | Lable Rules
对于往往由色块组成的城市规划设计，由图像到图像的机器学习过程，不同城市功能与环境图像所包含的数据被分成5大类（对应不同的颜色）：1）城市道路-红色，2）城市绿地-绿色，3）河流水域-蓝色，4）建筑物-白色，5）空地/需要排布设计的区域-黑色，以将图像数据进行标签。
2）数据收集以及网络训练 | Data Collecting
对于不同城市的不同特质，在城市图像数据收集的过程中，一共选用了8个国内城市进行收集与标签（一线，二线，三线各取2-3个城市进行收集）
输入输出的数据与预测结果
3）网络训练 | Network Training
利用收集与标签的信息，输入数据为基本的城市环境图像（包括道路，河流，绿色，空地），输出为包含建筑信息的完整规划图像。在训练过程中，生成器和判别器损失值高低波动，相互竞争以达到更好的训练效果。
输入的图像，输出的图像与真实结果的对比
研究结果 | Result：
对应生成不同城市特质下的建筑规划预测模型，且预测结果与真实结果基本一致。一线和二线城市模型对应高密度建筑物的排布，而四线城市的道路系统宽松，建筑和城市环境关系不密切。其训练模型除了有城市功能再排布的预测功能；能用作不同城市规划特质的研究工具；对于三四线的城市，相同的输入，在不同城市模型下的输出，该工具也具有一定的未来启发意义将城市之间形成对比。
同样的输入图像，在不同城市模型下预测的结果
论文全文：
论文全文
分享项目2：风格迁移与建筑空间重塑
研究主题 | Topic：
AI Architecture & Interior Design | Style Transfer and Spatial Reconstruction
研究关键词 | Keywords：
人工智能 | 机器学习 | 生成式设计 | 建筑找形 | 风格迁移
有关Style Transfer的相关开源工具，有兴趣可以看一下之前的干货整理：
学术干货 | 人工智能风格迁移 Style Transfer的建筑应用工具与程序汇总
VGG-19卷积神经网络的结构
研究背景 | Background：
在建筑和室内设计领域中的一种设计方法，即将某种设计风格，应用于建筑所指定的基本边界中。风格迁移，通过机器学习不同图形的特征，并通过参数比例将不同风格的图像进行混合，其应用特征与设计师的设计方法有一定的相似之处，也被较广泛地用在2D平面图像的生成上。而相比于常规平面视觉上的应用，该项目提出了全新的三维Style Transfer生成空间，将像素转向体素的变化，将风格迁移至内部3D空间的应用中，具有一定的研究突破意义。
风格迁移的影响函数，以及主参数style weight的影响效果
研究问题 | Research Question：
对于现有style transfer 2D平面图像生成的方法，是否可以提出全新的3D风格迁移设计方法，拓宽AI工具本身的应用范围，也同时提出新的空间生成工具？
研究方法 | Methodology：
项目侧重于提出新的方法论。整体方法顺应风格迁移（VGG19-CNN）图像数据的学习特征，由三维模型先转向平面特征的迁移，再由平面转向三维再生成，对设定的空间进行再造。
三维模型垂直水平切割得到等距离的平面内容图
3D至2D的转化过程，由垂直水平定向距离切割得到平面图，外边为空白区域，内部为可进行风格迁移的区域（content image）。选用指定的风格图像（style image）通过不同的迁移参数进行转化，得到内部布局的图像，再通过需求设定阈值筛选灰度值提取像素点。将体素块代替像素点即可得到基本内部镂空空间的形态，再可套用平滑或者其他表面处理算法，将原本的体素呈现不同的设计效果。
在不同参数的设定下，风格图和内容图进行迁移，将像素转译成灰度值
研究结果 | Result：
该设计方案较适用于现有建筑空间的重塑，对于研究实验，我们选用了巴黎圣母院尖塔的基本模型进行了尝试，其实验过程与方法论由3D—2D，以及2D—3D的步骤进行了对应。406张切片的平面图，以巴黎圣母院的玫瑰窗为风格图，通过设定波动的风格函数style weight以产生多样的变化，也需要提前实验以得到style weight与content weight的比例区间。对于不同阈值和平滑算法的使用，可使用户自由选择想要达成的效果，即镂空空间的疏密度，和表面的处理效果。
初始输入的巴黎圣母院mesh（可被替换），等距切割的平面图与得到的内容图
整体方法论为3D风格迁移这一工具的开发应用起到了一定的启示性意义，其设计调参的互动性，用户也可以替换初始的mesh模型，体现了项目的高操作性。
由3D模型切片至等距平面图
体素块（可由不同的单体替换）的平滑内部切面效果
论文全文：
论文全文
分享项目3：户型平面图自动生成
研究主题 | Topics：
AI Architecture & Interior Design | Floor Plans Auto Generation
研究关键词 | Keywords：
人工智能 | 机器学习 | 建筑设计 | 室内设计
研究背景 | Background：
同样利用GAN图像到图像的学习过程，本研究将技术应用于建筑平面图的生成，目标是建立一个工具，以帮助设计师预测给定边界的公寓平面图的细节。程序中需要学习建立一个模型对于两个给定图像之间的联系，评估程序可根据输入的边界图像生成建筑图，在方案初期帮助设计师提供快速的解决方案。
训练过程中的阶段性效果（每组左：边界，中：预测中的效果，右：预测最终得到的结果）
研究问题 | Research Question：
在建筑以及室内设计中，对于不同场地边界的方案，是否能用机器学习的技术对同类空间进行学习，并由此提出一种快速出方案的方法？
研究方法 | Methodology：
1）数据标记和清理 | Data Labeling & Cleaning
在学习过程中使用来自先前研究的两个数据集。第一个数据集包含了1279张日本公寓平面图的图像，第二个数据集包含了112张的国内公寓平面图图像。对于不同的设计和绘图方式，分别训练了两个GAN模型。对于输入数据的处理，每个图像的大小调整为500像素X 500像素的边界区域，并将其放置在512像素X 512像素的画布中间，用Photoshop脚本可自动检测图像的边界进行内部空间的识别。
图像数据的剪裁以及图像边界的自动识别
2）神经网络的结构与训练 | Network Structure and Training
pix2pixHD 作为神经网络的结构在该项目中使用，我们使用上述提到的训练集进行了100个循环的训练，分开对中国和日本的模型进行了训练过程的监控。通过对比loss value的变化趋势，我们确定了两个模型在训练过程中的表现是合理的，进而确定使用这两个模型。
研究结果 | Result：
研究的实验部分与研究方法的步骤相同，以下为不同国家（国内&日本）预测模型的相互验证与生成效果。
两组实验结果，左：输入的边界图，中：用日本的训练模型预测国内的图像数据，右：真实结果的比较
两组实验结果，左：输入的边界图，中：用日本的训练模型预测日本的图像数据，右：真实结果的比较
两组实验结果，左：输入的边界图，中：用国内的训练模型预测国内的图像数据，右：真实结果的比较
论文全文 ：
论文全文
分享项目4：矢量化室内家具排布生成
研究主题 | Topics：
AI & Interior Design | Vectorized Generation of Interior Furniture Layout
研究关键词 | Keywords：
人工智能 | 机器学习 | 生成式设计 | 几何设计
研究背景 | Background：
基于以上所提及的关于机器学习图像至图像的学习与输出过程，以及由于几何建筑设计数据主要以矢量化CAD文件的形式存储和表示，该项目解决了像素化处理会造成精度损失和计算浪费等问题。我们提出了将设计图纸作为矢量化数据，使用人工神经网络（ANN）进行学习和预测，通过输入房间、门和窗的边界数据，可以自动生成室内如卧室空间所需家具的位置，以提高原本像素化的预测准确度与预测效率。
不同神经网络的结构
研究问题 | Research Question：
基于大部分人工智能在建筑设计中对于图像到图像像素化的应用方式，是否可以提出矢量化的学习方式，以提高机器学习的效率与准确性？
研究方法 | Methodology：
为了实验矢量预测方法的可行性，我们先选用了基本的几何圆作为尝试，以正方形斜角两个点的坐标（x1，y1）和（x2，y2）作为输入，以中间的圆心点（x3，y3）以及圆的半径r作为输出。因此，神经网络的第一层应该包含四个神经元，而输出层应该包含三个神经元。
左：圆形几何的数据输入方法，与预测的网络结构；
右：曲线形态的数据输入方法，与预测的网络结构
同理对于曲线的训练，以曲线的两个端点和中心点作为输入，输出等分距离的坐标点以生成曲线。对于矩形排布的训练也亦然，由此我们可以得到，在限制空间中训练基本几何形态生成的方法。
矩形图案的矢量化数据表达与预测的网络结构
由设定的空间范围，和想要放置的几何形态的基本参数，即可训练神经网络得到几何形态的摆放位置，其训练步骤与室内设计师们常规的设计方法也有一定的相似之处。在后期的训练中，我们主要尝试用这套矢量方法应用于室内设计，如卧室的布局预测。必要的家具元素如床、柜子、床头柜，电视机柜等被定位标记，训练输入由基本的房间尺寸，门窗的位置以及朝向，可自动输出这些家具的室内排布，也可根据用户的其他需求条件加入训练其他参数。
研究结果 | Result：
该方法的实验初期主要在室内卧室中进行尝试，而其方法可使用于室内所有空间对于家具摆放的基本预测，矢量化大大改善了图像式机器学习的精确性。
卧室家具摆放的训练效果
多个户型室内摆放的训练效果
论文全文 ：
论文全文
（关于学员们对于学术写作的经验分享，未完待续....）
TechArt将继续分享最前沿的建筑艺术类的学术知识与优质的海外科研资源，为热爱学术的小伙伴们提供满满的福利！
咨询更多项目详情可长按二维码添加学究科研社学术顾问微信预约