机器之心合集
参加者：贾敏
在房屋设计耗时耗力的环境下，建筑、房地产行业如何有效降低建筑、房地产行业的设计成本？ 本文介绍了一种房屋平面图设计自动生成方法，旨在在不久的将来在给定的真实建筑约束下生成CAD级别的房屋几何布局，从而帮助建筑师设计房屋。
图约束生成对抗网络
房子对于大多数人来说是一个重要的选择房屋设计图纸软件，大多数人更喜欢舒适、安全的环境。 同时，试图在合理的预算内满足所有功能级别的需求是非常具有挑战性的。 在这种情况下，只有少数房主有足够的预算聘请专业建筑师进行房屋设计。
另一方面，房屋设计是一个昂贵且耗时的迭代过程。 由于时间和预算成本有限，建筑师和客户常常不得不在单元的设计质量上做出妥协。
一般来说，建筑公寓设计是一项非常耗时且成本高昂的任务。 标准的设计流程是：
绘制“气泡图”，显示房屋内的房间数量、类型以及房间之间的联系；
绘制相应的房屋平面图并获取用户反馈；
修改气泡图；
反复迭代上述过程。
因此，如果能够自动生成房屋平面图，就能有效缓解这一系列问题。 同时，房地产、建筑、室内设计等相关行业也具有非常广阔的发展前景。
本次介绍的研究提出的House-GAN模型在一定程度上解决了这个问题。
本文研究了一种全新的房屋布局问题自动生成方法，以气泡图为输入，生成各种符合实际的房屋布局。 气泡图由特定的图形表示，其中：
使用节点对房间类型进行编码；
使用相邻空间的边缘对其进行编码。
房屋的布局表示为一组轴向对齐的房间边界框（参见图 2）。
图 2：使用 House-GAN 设计平面图。 系统的输入是一个气泡图，它编码了高层结构系统的约束条件。 House-GAN 学习在气泡图约束下生成一系列真实的房屋布局，而建筑师则将布局转换为真实的平面图。
简而言之，本研究提出了一种新的图约束生成对抗网络，其生成器和鉴别器建立在一组关系架构上。 主要思想是将编码限制为其关系网络的图结构。 该团队展示了一种面向生成新房屋布局的架构，其核心目的是将房屋架构限制为图形（例如，具有空间邻接的房间的数量和类型）并生成在一组轴之间对齐的房屋边界框。
该团队使用三个指标来衡量生成的房屋布局的质量：真实性、多样性以及与输入图约束的兼容性。 同时对117,000幅真实平面图像进行了定性和定量评估，结果表明，研究提出的方法优于现有方法和标准。
效果怎么样？
如上图所示，气泡图和房屋布局图来自研究团队的数据集采样。
多样性评估：以同一气泡图生成的房屋布局为例。 House-GAN 显示了最大程度的多样性变化。
兼容性评估：研究团队固定噪声向量并按顺序添加房间的节点及其相关边。 （多样性和兼容性的比较在第三部分进行了解释，详细信息请参阅原文。）
House-GAN 是什么？
House-GAN 本质上是一个关系生成对抗网络。 其核心是团队提出的关系生成器和判别器，其中输入图约束被编码到关系网络的图结构中。 值得注意的是，团队采用了Conv-MPN，它与GCN的不同之处在于设计空间中的节点存储特征量，并使用卷积来更新特征。
房屋关系布局生成器（顶部）和鉴别器（底部），其中 ConvMPN 是核心架构。
生成器获取每个房间的噪声向量和气泡图，然后以每个房间的轴对齐形式生成房屋布局图。 气泡图表示为图像，其中节点表示房间类型，边缘表示空间邻接。 此外，每个房间都会生成一个矩形，并且两个有边缘的房间必须在空间上相邻（例如，曼哈顿之间的距离应小于8像素）。
输入图：给定一个气泡图形成Conv-MPN，其关系结构图与气泡图相同。 我们为每个房间生成一个节点，使用从正态分布采样的 128 维噪声向量进行初始化，并与 10 维房间类型向量 -→tr（one-hot 编码）连接。 r 是房间的索引。 结果是一个 138 维向量 -→gr：
Conv-MPN 将特征存储为输出设计空间中的 3D 张量。 研究人员应用共享线性层将-→gr扩展到(8×8×16)特征量gl = 1 r。 (l = 1)表示该特征适合第一个Conv-MPN模块，该模块将在后续的gl = 3 r中被采样两次成为(32×32×16)特征量。
Conv-MPN/上采样：Conv-MPN模块通过卷积消息的传输来更新房间智能特征图[26]。 更准确地说，团队通过以下方式更新 glr： 1）图中相连的房间之间存在池化功能； 2) 共享功能在未连接的房间之间连接； 3）应用CNN：
N(r) 和 N(r) 分别表示连通和不连通的房间集。 该团队使用转置卷积（内核 = 4、步长 = 2、填充 = 1）将特征上采样至 2 倍，同时保持通道数。 生成器上有两轮Conv-MPN和上采样，使得最终特征量的大小为gl = 3 r (32×32×16)。
输出布局：共享的三层CNN将特征量转换为尺寸为（32×32×1）的房间分割掩模。 分割掩模的图将在训练期间传递给鉴别器。 在测试时，团队将房间掩码（tanh 函数的输出范围为 [-1, 1]）和阈值设置为 0.0，为每个房间拟合最紧密的轴对齐矩形以生成房屋布局。
实验结果
团队从实用角度出发，对12名研究生和10名专业建筑师进行了调查。 每位受访者以五种不同的方式比较了从现实生活中采样的六种布局，并将这六种类型成对进行比较，得出 15 种比较组合房屋设计图纸软件，总共 75 次比较。
表 3 显示 House-GAN 的总体用户评分最高。
图5显示了两两比较的结果。
对于每对方法，团队比较两个维度的分数，计算它们的平均分数，并取差值。 如果受访者总是对一种方法选择“更好”，则差异为 2.0。 另一方面，如果差异为 1.0（例如，学生对 GCN 的评分为 12），则意味着一半的方法被评为“更好”，一半的方法被评为“同样 X”。
事实表明，学生和建筑师都认为 House-GAN 是继 Ground Truth 之后最现实的选择。
图6也定性地支持了同样的结论，House-GAN的效果最好。
不仅如此，除了现实生活中的实用性外，团队还根据不同环境对模型的“多样性”和“兼容性”进行了多维度评估，结果非常好。 有兴趣的朋友可以参考论文原文。 。
