建筑师还用用人工智能做什么?#AIG 2020年第二期

设计认

Development of an Urban Greenery Evaluation System Based on Deep Learning and Google Street View (Xia, Yabuki, and Fukuda 2020)

关键词:CNN,语义分割,街景图

视频汇报下载:

https://drive.google.com/file/d/16zkM2yIUWhykxcmDrTQReVejgDemWRZe/view

语义分割模型还可以被用于城市街景图的特征提取

这篇文章讨论了常规的基于卫星图的城市分析实际上脱离了使用者视角,因此在分析城市景观的时候,可以使用语义分割模型来对街景图进行特征提取,得到例如绿化率之类的指标,然后辅助后续的分析过程。

这样基于人视角的数据和分析方法要更有可信度。

Green vegetation extraction results and references

Mobile Mixed Reality for Environmental Design Using Real-time Semantic Segmentation and Video Communication (Kido, Fukuda, and Yabuki 2020)

关键词:CNN,语义分割,混合现实

视频汇报下载:

https://drive.google.com/file/d/14dNb_oJU37NOXGR2N2OKx6BAbTO2Tbgn/view

 

语义分割模型对城市照片的分析结果,还可以结合混合现实(MR)技术,对图片中的物件图层进行筛选,然后实现使用不同的图层来遮挡数字模型的效果。

实时反馈的语义分割结果解决了MR中的图层遮挡问题。

MR with occlusion handling using semantic segmentation

Automatic Recognition and Segmentation of Architectural Elements from 2D Drawings by Convolutional Neural Network (Xiao et al. 2020)

关键词:CNN,语义分割,平面图

视频汇报下载:

https://onedrive.live.com/?authkey=%21ANeNKUai7zmObg4&cid=54097721E3A8D905&id=54097721E3A8D905%211864&parId=54097721E3A8D905%211863&o=OneUp

 

本文将语义分割模型应用在了识别建筑平面图各个部分的任务中。

平面图的主要元素(门,窗,墙,柱,楼梯,背景底色)被划分为不同的区域,然后进入标准的语义分割模型的训练和测试。

结果展示了对线稿图模式的平面图的较高的识别率,后期可以辅助BIM模型的快速搭建。

Left: Original image; Middle: Labelled image; Right: Predict result.

 

A Rapid Building Density Survey Method Based on Improved Unet (Sun and Hu 2020)

关键词:GAN,特征识别

视频汇报下载:

https://www.bilibili.com/video/BV14z4y197Rh/

本文作者使用GAN(Unet)作为技术支撑,将城市卫星图作为输入,标记建筑区域的黑白图作为输出,训练了一个图像到图像的神经网络。

使用这套系统,用户可以输入城市卫星图而快速提取建筑区域,进而以较低的时间和金钱代价得到较为准确的建筑密度指标,来衡量城市设计。

Satellite images/labels and predict images

 

Recognizing Architectural Objects in Floor-plan Drawings Using Deep-learning Style-transfer Algorithms (Cho et al. 2020)

关键词:GAN,特征识别

视频汇报下载:

https://youtu.be/6Spxfl5G98M

同样使用GAN,本文作者将建筑平面图作为输入,将色块区分开的平面语义分割作为输出,训练GAN学习将平面图中不同的元素标记出来。

Result and accuracy.

A Deep Learning Approach for Brand Store Image and Positioning (Han and Lee 2020)

关键词:CNN,特征识别

视频汇报下载:

https://drive.google.com/file/d/1UbhzNEzkf4kpmEQxxueXcem0KAhLdSyS/view

 

本文通过对品牌旗舰店室内照片的机器学习,建立了一套定量的室内环境评价系统,包括识别室内设计风格和用户评价氛围。

Style and Atmosphere Evaluation

Process Path Derivation Method for Multi-tool Processing Machines Using Deep-learning-based Three Dimensional Shape Recognition (Kado et al. 2020)

关键词:pointNet,特征识别

视频汇报下载:

https://drive.google.com/file/d/1vnjPcA0z_lx84j5u2lVxcmhy0SljDY0X/view

 

本文作者关注的是建造问题中的节点制造工序

不同的铆接点需要使用不同的工具来制造,比如方形规整的节点可以直接使用电锯切割,而孔状节点需要使用钻头工具。

而这些节点的制造工序是需要人工来判断的。因此作者通过对节点模型(点云格式)的机器学习,来自动把节点分类,然后推荐合适的制造工序,减轻工厂和设计方在模型对接上的人工损耗。

Case study

 

A Machine-learning Driven Design Assistance Framework for the Affective Analysis of Spatial Enclosures (Sanatani 2020)

关键词:回归模型,特征预测

视频汇报下载:

https://www.youtube.com/watch?v=C-heKtrNu3k&feature=youtu.be

本文是一个简单的回归模型的应用。

作者将窗户的窗墙比,面积,长宽比作为输入,输出用户对这种窗户设计的评价指标。

Conceptual script for the regression analysis unit

 

 

设计生成

Generative Modelling With Design Constraints (Akizuki et al. 2020)

关键词:强化学习,生成式设计

视频汇报下载:

https://drive.google.com/file/d/1c-NAfAtmKBx33QWQ2Ri9mtPHuuvl9RhK/view

 

本文作者通过标准的强化学习框架,展示了从二维到三维的若干个生成式设计案例。

可执行的策略由简单到复杂,评价体系也逐渐完善。

作者展示的最后一个案例是基于乐高模型的决策方法,将设计元素模块化之后,在有限的决策条件下寻找最优解。类似的研究近年来也有许多。

Object generation via LEGO block model

 

A Machine Learning-Based Method for Predicting Urban Land Use (Xia and Tong 2020)

关键词:ANN,特征预测

视频汇报下载(待更新,见评论区):

https://mega.nz/file/w5IGFApL#7mINpMrNpFT1AyASjOa47S19A-1QJqEXwnFUyGCcwsy8

本文作者将用地性质表达为矢量数据,然后训练了一个ANN模型,通过读取当前地块周边的土地用地性质,来预测当前地块可能的用地性质。

相比于图像的神经网络,作者很巧妙的使用了矢量的神经网络,将原本的地图数据栅格化后以矢量保存。

全文逻辑清晰,神经网络细节描述全面,结果具有说服力。

Dataset processing

 

Machine Learning Neural Networks Construction and Analysis in Vectorized Design Drawings (Zheng and Ren 2020)

关键词:ANN,平面图生成

全文下载:

https://www.researchgate.net/publication/343350855_Machine_Learning_Neural_Networks_Construction_and_Analysis_in_Vectorized_Design_Drawings

视频汇报下载:

https://upenn.box.com/s/uc6n75zark8u4mmeqzqdmzntvzdzeqdo

 

本文关注户型图中的卧室布局问题,将设计元素矢量化为坐标,然后通过训练ANN模型来生成卧室布局。

区别于基于图像的神经网络,矢量化的数据结构能更清晰的描述CAD数据的本质,训练的速度也更快,容差性更强。

特殊的神经网络结构可以为生成多种解提供可能性。

Neural Network Structure and Result Comparison.

Apartment Floor Plans Generation via Generative Adversarial Networks (Zheng et al. 2020)

关键词:GAN,平面图生成

全文下载:

https://www.researchgate.net/publication/343350758_Apartment_Floor_Plans_Generation_via_Generative_Adversarial_Networks

视频汇报下载:

https://upenn.box.com/s/y9dbz9s5tf4haybd78dbx31148jpl0lm

本文通过对建筑户型图的机器学习,搭建了一个基于GAN的图像神经网络,用于对用户指定的边界作为唯一输入,来生产户型平面图。

中国户型图和日本户型图作为两套数据训练了两个模型。作者同时对比了两个模型交叉生成的结果。

Testing image pair.

Integrating Building Footprint Prediction and Building Massing (Rhee, Veloso, and Krishnamurti 2020)

关键词:GAN,平面图生成

视频汇报下载:

https://drive.google.com/file/d/1as1Dbbq5LvLr9yEmXKuq2IJw9mt6SeZE/view

 

本文关注的是城市空间中的步行公共区域(footprint)的生成

作者通过GIS数据收集了一个城市的建筑分布和步行空间的平面图。将建筑部分表达为黑色,其他区域为白色,输入图像展示了城市地块的建筑排布,而神经网络要求的输出是该地块中的步行区域位置。

作者进一步将步行区域简化为四边形(矢量表达),然后训练VGG神经网络来学习通过建筑排布图像来生成步行区域。

最后作者还提出了几种将简化四边形还原的设计方法,进而辅助设计师得到更完善的步行区域规划建议。

Overall Process of Generating Building Footprints Using Deep Learning and Diagrammatic Image Dataset of Building Occupancy in Pittsburgh, PA.

Machine Learning Assisted Urban Filling (Shen et al. 2020)

关键词:GAN,平面图生成

全文下载:

https://www.researchgate.net/publication/343350747_Machine_Learning_Assisted_Urban_Filling

视频汇报下载:

https://upenn.app.box.com/s/apni7jha7krieag0nqb527deyvgv1coz

GAN的方法同样可以适用于生成城市平面图

本文作者将城市信息进行抽取成简化平面图,其中场地条件(道路,河流,绿地)作为输入信息,而建筑布局作为输出信息。

神经网络的目标是通过场地条件生成建筑布局,来实现快速的城市设计方法。作者对中国的四种城市规模收集了八个城市的数据,分别训练了各自的模型,并交叉生成,对比了中国不同城市可能存在的设计策略的差别。

Data Collection and Generated results by different GAN models

The Spire of AI - Voxel-based 3D Neural Style Transfer (Ren and Zheng 2020)

关键词:Style Transfer,生成式设计

全文下载:

https://www.researchgate.net/publication/343350845_The_Spire_of_AI_-_Voxel-based_3D_Neural_Style_Transfer

视频汇报下载:

https://upenn.box.com/s/02k3sz6rbo33a3vi06y3z67kgd3oqmt1

 

本文是一篇关于风格迁移在三维模型生成上的文章。

作者将三维模型切割平面的图像定义为内容图像,对给定的风格图像进行批量的风格迁移,最后重新叠加形成三维体塑模型。

相比于其他三维风格迁移方法(表皮,三视图等),这种基于体塑的方法能实现空间内的凹曲面找形,不局限于视图位置。

Final Conversion from Voxelization Volume to Gaussian Smooth

3D Architectural Form Style Transfer through Machine Learning (Zhang and Blasetti 2020)

关键词:Style Transfer,GAN,生成式设计

全文下载:

https://www.researchgate.net/publication/338187170_3D_Architectural_Form_Style_Transfer_through_Machine_Learning_Full_Version

视频汇报下载:

https://drive.google.com/drive/folders/1PqjLQ94cYhi97QMItCifInm1zIsBI93P

 

这是另一篇关于风格迁移在三维模型生成上的文章。

作者首先将三维形态数据表述为两种二维的形式:连续切面和多组透视渲染图。基于这两种数据模式,作者分别尝试和对比了三种生形方法:风格迁移,pix2pix,CycleGAN。

用户输入两个三维模型,程序可以将两个模型进行组合,形成一个新的模型,同时具有两个模型的特征。

Preprocess-based workflow with different algorithms and data types : (a) Input Model A. (b) Input Model B. (c) Results from Serial Stacks. (d) Results from Multi-view.

辅助工具

T-SNE: A Dimensionality Reduction Tool for Design Data Visualisation (Meng, Graham, and Haeusler 2020)

关键词:聚类,同类找形

视频汇报下载:

https://drive.google.com/drive/folders/1f-ubSlk9YNgJb1nKHLqewzqn-kTvzPF7

 

本文作者将建筑空间形式通过空间句法总结得到各个特征参数,然后通过t-SNE对这些参数进行聚类,进而实现空间形态的降维可视化。

通过后续的分析,建筑师可以快速找到相似的空间结构来辅助设计决策。

Collect Room Geometrical Data using Space Syntax Inspired Dynamo Script

The Augmented Museum - a Machinic Experience with Deep Learning (Koh 2020)

关键词:CNN,图像评价

视频汇报下载:

https://drive.google.com/file/d/1gIS6ogUhcZizsKAfuVjZvASMOSUkEwp8/view

 

本文展示了一些列的试验,以博物馆画作(图像)为出发点,作者使用了各种预训练的神经网络模型来实现定量的评价,比如观众对画作的喜爱程度,产生的情感,主色调等等。

根据神经网络的预测结果,设计师可以合理安排各个展品的位置。

Left: The facial recognition algorithm used. Right: Each artwork stores and aggregates the emotional responses of all viewers.

关于作者:

人工智能建筑师博士,创立AIG建筑智能研究组 | Mixlab 采访专栏

参考文献列表:

???? 点击"查看原文"

欢迎一起来探索未知世界

添加小编微信,邀您加入

智慧城市&数字孪生跨界社群

Mixlab 

Shadow说

我想可能也会有很多跟我一样,是想要在设计跟技术之间找平衡的人……

将设计和技术融合,是我08年本科时就有的念头,也是在自学中逐渐看到技术思维跟设计思维的共通之处的。

2015年,开设自媒体;

2018年,有了无界社区Mixlab。

想和大家一起迎面未知和无限的可能

Enable Infinite Possibilities for Everyone

???? 更多资料请查阅,Mix+ 人工智能专刊   

每期由mixlab社区精选、收录人工智能的相关内容。包括AI产品、AI技术、AI场景、AI投资事件、AI的思维方式等。MIX的主题包括:AR、VR、计算设计、计算广告、智能设计、智能写作、虚拟偶像等。

付费加入星球后,即可免费加入科技前沿外刊群:《新科学家杂志》、《英国金融时报》、《华尔街日报》、《经济学人》、《纽约时报》、《泰晤士报》等当日最新外刊。

请点击右下角

在看

在看

在看

:)

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值