預(yù)測(cè)網(wǎng)絡(luò)輔助下徽派村落街坊布局生成方法

朱 蕾，蔣福臨，李 琳

預(yù)測(cè)網(wǎng)絡(luò)輔助下徽派村落街坊布局生成方法

朱 蕾，蔣福臨，李 琳

(合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院，安徽 合肥 230009)

傳統(tǒng)村落的布局優(yōu)化是室外場(chǎng)景輔助設(shè)計(jì)建模的重要環(huán)節(jié)，由此提出了一種預(yù)測(cè)網(wǎng)絡(luò)輔助下徽派村落街坊布局生成方法。首先根據(jù)CAD測(cè)繪圖提出徽派村落街坊的結(jié)構(gòu)化數(shù)據(jù)構(gòu)建方法；其次對(duì)局部布局中房屋的各類別、位置和朝向分別設(shè)計(jì)預(yù)測(cè)網(wǎng)絡(luò)；最后使用預(yù)測(cè)結(jié)果在已有的房屋數(shù)據(jù)集合中先根據(jù)面積和形狀分類進(jìn)行房屋類別預(yù)測(cè)，再在相應(yīng)類別中搜索最優(yōu)生成結(jié)果，并滿足區(qū)域內(nèi)和房屋不重疊約束條件。通過(guò)一系列的定量和定性實(shí)驗(yàn)結(jié)果表明，該方法能生成符合徽派村落街坊布局特征和規(guī)律的房屋布局，從而為設(shè)計(jì)者提供一個(gè)徽派聚落場(chǎng)景的創(chuàng)作手段。

徽派村落；村落布局；自動(dòng)布局；預(yù)測(cè)網(wǎng)絡(luò)；布局優(yōu)化

隨著人們對(duì)于歷史文化的日益重視，數(shù)字化遺產(chǎn)保護(hù)已成為熱潮。很多學(xué)者將目光聚焦在古建筑單體或群落快速建模領(lǐng)域，如古羅馬龐培古城[1]的再現(xiàn)、中國(guó)潮汕傳統(tǒng)民居[2]以及西藏布達(dá)拉宮[3]的三維構(gòu)造。由于徽派建筑在中國(guó)建筑藝術(shù)占據(jù)著重要地位，薛峰等[4-5]均對(duì)徽州建筑快速構(gòu)建進(jìn)行了研究與分析。場(chǎng)景布局優(yōu)化是古建筑群場(chǎng)景生成的重要環(huán)節(jié)，即給定布局空間和布局對(duì)象，通過(guò)優(yōu)化求解將這些布局對(duì)象合理排布在布局空間中，符合相關(guān)場(chǎng)景設(shè)計(jì)及呈現(xiàn)要求。布局問(wèn)題與計(jì)算機(jī)其他數(shù)據(jù)處理問(wèn)題類似，也經(jīng)歷了從規(guī)則指導(dǎo)[6-7]、樣例驅(qū)動(dòng)[8-9]、深度網(wǎng)絡(luò)[10-12]等方法。

本文專注于徽派村落的街坊布局問(wèn)題，如圖1所示。街坊定義為一個(gè)建筑群體內(nèi)，建筑風(fēng)格相似且結(jié)合相對(duì)緊密的建筑單體的組合，下文用Block來(lái)表示街坊。在傳統(tǒng)村落布局研究中，一方面布局規(guī)則難以提煉，是因傳統(tǒng)優(yōu)化方法不能滿足多種規(guī)則需求；另一方面徽派民居具有特定的營(yíng)造法式，采用直接生成方法得到的面積和形狀并非符合實(shí)際情況。因此，本文討論如何結(jié)合預(yù)測(cè)網(wǎng)絡(luò)和樣例驅(qū)動(dòng)來(lái)解決徽派村落Block內(nèi)的房屋布局問(wèn)題。

圖1 徽派村落街坊(Block)的布局問(wèn)題

1 徽派村落街坊數(shù)據(jù)集

1.1 數(shù)據(jù)集構(gòu)建

1.1.1 收集傳統(tǒng)村落建筑地形真實(shí)數(shù)據(jù)

徽派村落CAD數(shù)據(jù)來(lái)源于安徽省城建設(shè)計(jì)研究總院有限公司國(guó)家傳統(tǒng)村落保護(hù)規(guī)劃項(xiàng)目。數(shù)據(jù)集共計(jì)10個(gè)村落，包含459個(gè)Block，統(tǒng)計(jì)房屋數(shù)為6 741棟。

1.1.2 預(yù)處理源數(shù)據(jù)

圖2為預(yù)處理階段的輸入、輸出信息。

圖2 預(yù)處理源數(shù)據(jù)的輸入和輸出

(1) 材質(zhì)、形狀和面積類別標(biāo)簽。材質(zhì)分為磚、木、土、混，由于木和土材質(zhì)的房屋數(shù)量很少，故歸為一類，命名為其他，最終材質(zhì)分類為：磚、其他和混，分別對(duì)應(yīng)標(biāo)簽0，1和2。將徽派村落中房屋的形狀分為凹凸兩類，通過(guò)計(jì)算房屋頂點(diǎn)的矢量叉乘判斷是否為凸。凸和凹對(duì)應(yīng)標(biāo)簽分別為0和1。

根據(jù)資料描述，徽派房屋一般占地面積在100 m2左右；規(guī)模較大的房屋占地約160 m2；而大戶人家占地面積可達(dá)上千平米。由此可見(jiàn)，徽派村落中房屋面積差距很大，可按類別區(qū)分，房屋與環(huán)境、房屋之間的關(guān)聯(lián)與面積形狀存在一定關(guān)系，所以將面積作為一個(gè)預(yù)測(cè)指標(biāo)。

經(jīng)統(tǒng)計(jì)將房屋面積分為3類，50 m2以下多屬附屬或加蓋單元，50～100 m2為基本規(guī)模房屋，而100 m2以上為規(guī)模較大房屋。根據(jù)面積大小將類別定義為：小、中、大，對(duì)應(yīng)的面積類別標(biāo)簽設(shè)為0，1，2。房屋面積劃分和其數(shù)量統(tǒng)計(jì)見(jiàn)表1。

(2) 中心點(diǎn)和基準(zhǔn)點(diǎn)。通過(guò)最小矩形包圍盒計(jì)算中心點(diǎn)和基準(zhǔn)點(diǎn)。圖3為一棟房屋信息樣例。該坐標(biāo)系以水平向右為軸正方向，以垂直向下為軸正方向，中心點(diǎn)center_ver在布局生成中作為角度合理性的計(jì)算參數(shù)之一，是矩形包圍盒的中心點(diǎn)；基準(zhǔn)點(diǎn)base_ver是縱坐標(biāo)最大的點(diǎn)，即為box[0]，是用來(lái)判斷房屋位置，同時(shí)該點(diǎn)也作為計(jì)算門朝向角的旋轉(zhuǎn)點(diǎn)。

表1 徽派村落房屋面積劃分及數(shù)量統(tǒng)計(jì)表

圖3 房屋的最小矩形包圍盒

(3) 門朝向角度。部分徽派村落房屋不僅有正門還有側(cè)門，但正門的近路性很強(qiáng)，故根據(jù)正門位置計(jì)算朝向角度值。圖3中door_angle即為門朝向角度。

(4) 訓(xùn)練數(shù)據(jù)處理。以單個(gè)Block為例，設(shè)該Block下所有待選房屋集合為Candidated_houses，初始化為當(dāng)前Block中所有房屋，個(gè)數(shù)設(shè)為。

每個(gè)訓(xùn)練文件包含：當(dāng)前Block輪廓點(diǎn)信息，已存在房屋的集合為Houses，待添加的房屋為House，其中?[1,]。如第一個(gè)輸出的訓(xùn)練文件：Houses1為空，House1是從Candidated_ houses中隨機(jī)選擇的一個(gè)房屋，以此作為一個(gè)訓(xùn)練樣本，然后將其從Candidated_houses中剔除。第二個(gè)輸出文件：將上一個(gè)文件的House1移到現(xiàn)在的Houses2中，作為已存在房屋，本文件的House2則繼續(xù)在Candidated_houses的剩余房屋中隨機(jī)選擇一個(gè)房屋。以此類推，直到Candidated_ houses為空。最終一個(gè)Block可以得到個(gè)訓(xùn)練文件。

本文的輸出文件數(shù)按4∶1的比例劃分為訓(xùn)練集和測(cè)試集，在此數(shù)據(jù)基礎(chǔ)上設(shè)計(jì)與實(shí)現(xiàn)房屋類別、位置和朝向預(yù)測(cè)模型。訓(xùn)練集共有353個(gè)Block，合計(jì)5 393個(gè)訓(xùn)練文件；測(cè)試集有106個(gè)Block，共計(jì)1 348個(gè)測(cè)試文件。對(duì)于判斷布局是否需要繼續(xù)添加房屋的模塊(簡(jiǎn)記為是否繼續(xù)模塊)，其每個(gè)訓(xùn)練樣本是完整的Block及所有房屋信息，當(dāng)隨機(jī)房屋數(shù)小于該Block原房屋總數(shù)時(shí)表示需要繼續(xù)添加房屋，否則不用添加，以此構(gòu)建訓(xùn)練文件。

1.2 多通道視圖表示

本文中各預(yù)測(cè)模型的輸入是由每個(gè)訓(xùn)練文件中已存在的房屋信息和對(duì)應(yīng)的Block構(gòu)成的多通道視圖圖像組成。這里將當(dāng)前Block場(chǎng)景用表示，中存儲(chǔ)的信息使用一種含有語(yǔ)義的自頂向下多通道視圖()來(lái)表示。首先對(duì)進(jìn)行正交自頂向下渲染，將每個(gè)Block區(qū)域映射到256′256的圖像上，再將語(yǔ)義特征編碼到各個(gè)通道。將房屋分為3大類，即材質(zhì)類別(磚、混、其他)、形狀類別(凹、凸)和面積類別(按照閾值分為小、中、大)，每個(gè)子類別為一層通道。

每個(gè)()有12個(gè)通道，其維度為256×256×12。圖4為一個(gè)Block場(chǎng)景的多通道視圖樣例。Block通道，標(biāo)識(shí)Block輪廓點(diǎn)所圍區(qū)域；houses通道，標(biāo)識(shí)訓(xùn)練文件中所有已存在的房屋區(qū)域；sin通道和cos通道，用于存儲(chǔ)每個(gè)房屋的門朝向角度的正弦和余弦值，sin通道使用房屋門朝向角度的正弦值對(duì)房屋所在區(qū)域進(jìn)行填充，同理cos通道使用余弦值進(jìn)行填充。每個(gè)房屋顯示在對(duì)應(yīng)的類別通道上，其中空白通道是因?yàn)锽lock中不存在該類別屬性的房屋。第5～7通道存儲(chǔ)所有房屋的材質(zhì)類別標(biāo)簽信息；第8～9通道存儲(chǔ)所有房屋的形狀類別標(biāo)簽信息；第10～12通道存儲(chǔ)所有房屋的面積類別標(biāo)簽信息。

圖4 多通道視圖

2 預(yù)測(cè)網(wǎng)絡(luò)及房屋的樣例驅(qū)動(dòng)生成

2.1 預(yù)測(cè)網(wǎng)絡(luò)

圖5展示了本文模型框架流程圖。

圖5 模型流程圖

2.1.1 是否繼續(xù)模塊

是否繼續(xù)模塊是對(duì)Block場(chǎng)景全局信息的衡量，根據(jù)Block中已存在的房屋信息來(lái)推斷是否還可以繼續(xù)向其中添加房屋。在構(gòu)造訓(xùn)練集時(shí)，設(shè)置了移除概率remove為0.5，然后生成一個(gè)隨機(jī)浮點(diǎn)數(shù)?[0,1)，若

模型輸入是()，輸出為繼續(xù)添加房屋的概率。使用esnet34與MLP做特征提取與二分類操作。損失函數(shù)是交叉熵函數(shù)，batch_size設(shè)置為8，epoch設(shè)置為120，學(xué)習(xí)率為0.001，隱含層神經(jīng)元個(gè)數(shù)設(shè)置為128。

2.1.2 類別預(yù)測(cè)模塊

類別預(yù)測(cè)模塊需要預(yù)測(cè)下一個(gè)添加的新房屋材質(zhì)、形狀、面積3個(gè)類別標(biāo)簽。作為3個(gè)結(jié)構(gòu)相同的子類別模型，需分別對(duì)各個(gè)類別通道進(jìn)行預(yù)測(cè)。

模型輸入的是()和已存在房屋的材質(zhì)、形狀及面積的類別計(jì)數(shù)向量，輸出為下一個(gè)即將添加進(jìn)Block場(chǎng)景的房屋的3個(gè)類別概率分布。使用一個(gè)2D卷積層網(wǎng)絡(luò)模型從()中提取空間特征并輸入MLP中，再由線性層生成類別特征。

模型參數(shù)batch_size設(shè)置為16，epoch設(shè)置為300，學(xué)習(xí)率是0.001，隱含層神經(jīng)元個(gè)數(shù)設(shè)置為128。損失函數(shù)均是交叉熵函數(shù)。優(yōu)化器采用的是Adam。

2.1.3 位置預(yù)測(cè)模塊

參數(shù)設(shè)置與類別預(yù)測(cè)模型相同。

2.1.4 方向預(yù)測(cè)模塊

該模塊作用是預(yù)測(cè)房屋門的朝向角度值。為了不受位置影響，訓(xùn)練時(shí)將下一個(gè)待添加房屋移到()中心位置，考慮其形狀可能會(huì)影響到旋轉(zhuǎn)角度，需記錄其類別中的label_shape和base_ver及經(jīng)轉(zhuǎn)換后方向的cos值，因角度值均位于0～180°之間，所以使用余弦函數(shù)表示唯一角度。

方向模塊使用CVAE[13]模型，將方向cos值和label_shape輸入編碼器，得到均值和方差2，默認(rèn)所有樣本分布均趨近于標(biāo)準(zhǔn)正態(tài)分布。使用KL散度計(jì)算當(dāng)前樣本對(duì)應(yīng)的正態(tài)分布(,2)和標(biāo)準(zhǔn)正態(tài)分布(0,1)之間的相似度，將其作為損失函數(shù)值loss。對(duì)(,2)隨機(jī)采樣得到潛變量，將平移至中心，后將()和label_shape輸入到解碼器中，經(jīng)過(guò)MLP得到_cos，計(jì)算該_cos和待添加房屋的真實(shí)cos值之間的損失函數(shù)值cos。

方向模塊損失函數(shù)即為loss與cos之和。模型參數(shù)batch_size設(shè)置為4，epoch設(shè)置為400，學(xué)習(xí)率是0.001，隱含層神經(jīng)元個(gè)數(shù)設(shè)置為40。

2.1.5 模塊訓(xùn)練時(shí)長(zhǎng)及結(jié)果展示

是否繼續(xù)模塊的網(wǎng)絡(luò)模型訓(xùn)練時(shí)間大約在2 h，其他預(yù)測(cè)網(wǎng)絡(luò)模型訓(xùn)練時(shí)間約在6～8 h。

為方便展示模型預(yù)測(cè)的中間結(jié)果，根據(jù)已存在房屋的Block來(lái)預(yù)測(cè)下一個(gè)待添加的房屋(圖中紅色房屋)位置和方向結(jié)果。圖6(a)為預(yù)測(cè)前布局，圖6(b)為預(yù)測(cè)后布局。由于此處的中間結(jié)果展示還沒(méi)有待選的房屋對(duì)象，故考慮將House作為下一個(gè)待添加的房屋對(duì)象，對(duì)其進(jìn)行預(yù)測(cè)位置擺放和門朝向旋轉(zhuǎn)?？梢?jiàn)，預(yù)測(cè)的房屋在位置上與真實(shí)布局相差無(wú)幾，但朝向上略有差異，總體效果尚可。

圖6 模型中間結(jié)果預(yù)測(cè)樣例圖((a)預(yù)測(cè)前；(b)預(yù)測(cè)后)

2.2 房屋的樣例驅(qū)動(dòng)生成

由于端到端的生成可能并不符合徽派村落民居外觀，故通過(guò)預(yù)測(cè)網(wǎng)絡(luò)得到下一個(gè)添加房屋的3個(gè)類別、位置和方向值后，根據(jù)真實(shí)需求，本文從數(shù)據(jù)集所有房屋中搜索接近于條件，又不發(fā)生重疊、出界等非法條件的房屋對(duì)象。該想法受HARTMANN等[14]提出的離散元素變形重定位的思路啟發(fā)，希望保留初始域的布局風(fēng)格。

為此設(shè)計(jì)了3個(gè)約束，即：

(1) 類別一致性。將預(yù)測(cè)的3個(gè)類別標(biāo)簽與數(shù)據(jù)集所有房屋中的真實(shí)類別標(biāo)簽分別進(jìn)行比對(duì)。以房屋的形狀類別標(biāo)簽為例，如果預(yù)測(cè)的類別與搜索的房屋的真實(shí)類別標(biāo)簽一致，則將該房屋的形狀類別標(biāo)簽正確個(gè)數(shù)label_shape置為1，否則記為0。同理定義面積和材質(zhì)類別，分別得到類別標(biāo)簽正確數(shù)為label_area和label_material。由于徽派村落房屋的形狀和面積屬性更重要，故對(duì)這2個(gè)標(biāo)簽的正確個(gè)數(shù)總和賦予0.8的權(quán)重，材質(zhì)標(biāo)簽作為輔助屬性，權(quán)重設(shè)為0.2。對(duì)于每個(gè)搜索到的房屋，類別一致性分值cat越高越好，即

(2) 布局合法性。將搜索房屋從原本所在的Block映射到當(dāng)前待布局的Block中，并根據(jù)預(yù)測(cè)基準(zhǔn)點(diǎn)位置進(jìn)行平移，同時(shí)對(duì)房屋進(jìn)行預(yù)測(cè)方向角度的旋轉(zhuǎn)。

待放置的搜索房屋需要判斷2個(gè)約束條件。①在Block內(nèi)；②與已存在房屋之間不重疊，但允許共用墻邊。在Block內(nèi)對(duì)進(jìn)行約束，若的每個(gè)輪廓點(diǎn)均在Block輪廓內(nèi)部即可。對(duì)添加過(guò)程中房屋不重疊約束，需要分別計(jì)算和所有已存在房屋在Block二值圖像上的像素值為1的像素點(diǎn)個(gè)數(shù)，得到兩者像素點(diǎn)個(gè)數(shù)加和；再計(jì)算已存在房屋與共同展示在同一個(gè)二值圖像上的像素點(diǎn)個(gè)數(shù)。如果前后像素點(diǎn)個(gè)數(shù)相同，則表示并未與已存在房屋發(fā)生重疊，可以添加。

如果在Block內(nèi)部，則出界懲罰分?jǐn)?shù)()為0，否則為–1 000；如果未與已存在房屋重疊，則重疊懲罰分?jǐn)?shù)()為0，否則為–1 000。故放置房屋的布局合法性分值為

(3) 角度合理性。使用樣例驅(qū)動(dòng)方式可滿足條件較多的房屋，為選擇最優(yōu)房屋，考慮到徽派村落房屋分布上呈現(xiàn)線性布局特征，即門朝向路且離路近。故添加角度約束條件，該角度是指在滿足預(yù)測(cè)方向角度的前提下判斷房屋的中心點(diǎn)center_ver和門點(diǎn)door兩點(diǎn)連線的延長(zhǎng)線與靠近門點(diǎn)的Block段之間的夾角，越接近90°，則角度合理性分值angle越高，即

圖7中，假設(shè)根據(jù)預(yù)測(cè)的基準(zhǔn)點(diǎn)與方向角度找到了2個(gè)房屋滿足類別一致性和布局的合法性，但根據(jù)角度合理性約束可以看出，圖7(a)房屋更合理，應(yīng)其angle值高于圖7(b)。

圖7 角度合理性樣例說(shuō)明((a)樣例房屋1；(b)樣例房屋2)

布局生成過(guò)程中，對(duì)于每一輪待添加的房屋對(duì)象，在經(jīng)過(guò)3個(gè)設(shè)計(jì)約束后，選擇打分總和sum最高的房屋，是否繼續(xù)模型輸出至停止添加房屋為止，表示布局完成。式(4)中將類別一致性分值cat和角度合理性分值angle歸一化到[0,0.9]范圍，在計(jì)算時(shí)考慮首步的房屋挑選更為重要，所以在滿足cat/2>angle/100條件時(shí)，可得

3 實(shí) 驗(yàn)

本文設(shè)計(jì)了房屋類別分布、房屋聚集度、房屋門朝向和時(shí)間消耗等指標(biāo)用于定量實(shí)驗(yàn)，對(duì)該方法進(jìn)行評(píng)估，并與模擬退火的優(yōu)化布局效果進(jìn)行比較；同時(shí)還進(jìn)行可視化布局展示與用戶調(diào)研的定性實(shí)驗(yàn)，且與相似方法進(jìn)行對(duì)比說(shuō)明。

除了使用預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行布局信息的預(yù)測(cè)，本文還嘗試用模擬退火算法對(duì)布局信息優(yōu)化求解。設(shè)計(jì)了根據(jù)形狀和面積類別的概率分布挑選的房屋作為初始解，以3.1節(jié)的評(píng)價(jià)目標(biāo)作為適應(yīng)度函數(shù)的模擬退火隨機(jī)優(yōu)化方案，即

其中cos1，cos1_real分別為當(dāng)前Block布局疏密度指標(biāo)的生成值和真實(shí)值；cos2和cos2_real為外圈房屋近路值指標(biāo)的生成值和真實(shí)值。其核心是從全局出發(fā)對(duì)房屋位置的優(yōu)化生成。通過(guò)實(shí)驗(yàn)分別給出在類別預(yù)測(cè)上，本文方法與概率采樣的KL散度；在位置角度預(yù)測(cè)上，給出本文方法與模擬退火優(yōu)化的各指標(biāo)值。

3.1 定量定性評(píng)估與對(duì)比研究

3.1.1 定量評(píng)估

(1) 房屋類別分布。在類別預(yù)測(cè)模塊中可得到下一個(gè)需添加進(jìn)Block的房屋的材質(zhì)、形狀及面積標(biāo)簽，如果所有生成場(chǎng)景中房屋的類別多標(biāo)簽分布能與真實(shí)場(chǎng)景相似，那么表明該模型預(yù)測(cè)是可信的。

本文將測(cè)試集中Block合成場(chǎng)景與原始數(shù)據(jù)集中對(duì)應(yīng)Block的類別分布進(jìn)行KL散度計(jì)算，由表2可知，KL散度值越低越好。在3個(gè)類別預(yù)測(cè)中，本文方法的預(yù)測(cè)結(jié)果KL散度值均低于模擬退火的類別分布結(jié)果，即與真實(shí)場(chǎng)景更相似。結(jié)果表明了本文方法預(yù)測(cè)的有效性。

表2 類別分布的KL散度

(2) 房屋聚集度。本文設(shè)計(jì)了布局疏密度指標(biāo)和外圈房屋近路值指標(biāo)，用以表示Block中房屋的聚簇性和沿路而建特性，并對(duì)真實(shí)、本文和模擬退火3種布局結(jié)果進(jìn)行了比較。

布局疏密度指標(biāo)的計(jì)算規(guī)則如式(5)和式(6)。式(5)中假設(shè)當(dāng)前Block有個(gè)房屋，以第個(gè)房屋為基準(zhǔn)，其中min(,)計(jì)算與最近兩條邊的距離，這里?{1,···,}，并且≠；Dist計(jì)算與該Block中其他房屋之間的最近距離。式(6)計(jì)算該Block中所有房屋的最近距離的平均值，并得到當(dāng)前Block下布局疏密度指標(biāo)值。再計(jì)算測(cè)試集中所有Block的平均疏密度指標(biāo)值，結(jié)果見(jiàn)表3的第2列。

表3 房屋各項(xiàng)實(shí)驗(yàn)指標(biāo)對(duì)比

注：加粗?jǐn)?shù)據(jù)為最優(yōu)值

外圈房屋近路值指標(biāo)指Block中的外圈房屋到Block的平均最近距離值。外圈房屋是依據(jù)一個(gè)Block中所有房屋的門到Block最近距離值從小到大排序，當(dāng)前后索引的房屋距離差值不超過(guò)50%，則定義為外圈房屋，計(jì)算結(jié)果見(jiàn)表3的第3列。值越接近真實(shí)數(shù)據(jù)布局則表明效果越好。

從結(jié)果中可以看到，即使模擬退火直接使用判別指標(biāo)作為適應(yīng)度函數(shù)，但在布局疏密度指標(biāo)和外圈房屋近路值指標(biāo)上，本文方法的布局結(jié)果均更貼近真實(shí)布局，可滿足預(yù)測(cè)位置分布的要求。

(3) 房屋門朝向?；张纱迓浞课蓍T朝向近路性很強(qiáng)，也是大多數(shù)民居的基本建造原則。但在真實(shí)布局中，也有受條件限制無(wú)法靠路的情況出現(xiàn)。本文方法在門朝向近路性上存在一定的局限性，預(yù)測(cè)結(jié)果和真實(shí)數(shù)據(jù)布局相差較大，但相較于模擬退火而言稍有提升。本文認(rèn)為原因有兩點(diǎn)：①由于數(shù)據(jù)集規(guī)模偏小，模型預(yù)測(cè)效果有所欠缺；②房屋朝向角度預(yù)測(cè)與其門點(diǎn)位置關(guān)系密切，而徽派房屋的門點(diǎn)位置與房屋形狀也有很大關(guān)系。雖然在訓(xùn)練時(shí)已經(jīng)考慮到房屋的形狀屬性，但由于徽派房屋形狀差異非常大，本文按照凹凸兩類來(lái)確定形狀分類的方式也許考慮的不是很完備，所以造成朝向角度預(yù)測(cè)與實(shí)際有差異。結(jié)果見(jiàn)表3，其中值越大則表明效果越好。

(4) 耗時(shí)分析。表4為測(cè)試集所有的Block進(jìn)行完整的布局消耗的平均時(shí)間?？梢钥吹侥M退火耗時(shí)很長(zhǎng)，而本文方法平均用時(shí)僅為69.0 s，相比模擬退火的耗時(shí)快了將近4倍?？梢?jiàn)本文方法預(yù)測(cè)布局的效率更高。

表4 測(cè)試集Block布局平均時(shí)間

3.1.2 定性評(píng)估

(1) 真實(shí)性和多樣性。根據(jù)預(yù)測(cè)結(jié)果在真實(shí)村落布局信息數(shù)據(jù)庫(kù)中進(jìn)行自定義規(guī)則搜索，以保證真實(shí)性。圖8中帶藍(lán)色框的為真實(shí)布局，其他為本文布局。針對(duì)同一個(gè)Block，不改變?nèi)魏螚l件，每一次生成結(jié)果會(huì)出現(xiàn)不同的布局安排，這使得布局的多樣性大大增強(qiáng)。

(2) 參與者研究。選取了3份本文布局、真實(shí)布局及模擬退火布局，并進(jìn)行三三一組隨機(jī)位置排版后展示給參與者進(jìn)行主觀評(píng)測(cè)實(shí)驗(yàn)，圖9為3組樣本圖。

實(shí)驗(yàn)參與人數(shù)共計(jì)20人，均無(wú)徽派村落房屋布局經(jīng)驗(yàn)，為參與者提供真實(shí)徽派村落Block的房屋布局圖案例，事先告知每組樣本中包含1張真實(shí)布局，讓其判斷并勾選真實(shí)布局。在分析評(píng)測(cè)結(jié)果時(shí)，若真實(shí)布局、本文布局以及模擬退火布局的勾選次數(shù)較接近，則表明參與者已無(wú)法判斷哪張為真實(shí)布局圖，即驗(yàn)證了結(jié)果的合理性。

圖8 多樣性((a)真實(shí)布局1 (藍(lán)框)與3個(gè)不同生成布局；(b)真實(shí)布局2 (藍(lán)框)與3個(gè)不同生成布局)

圖9 參與者評(píng)估((a)真實(shí)布局1與2種生成布局；(b)真實(shí)布局2與2種生成布局；(c)真實(shí)布局3與2種生成布局)

表5展示每組中所有參與者對(duì)3幅圖的勾選次數(shù)?？梢钥闯霰疚牟季衷诔齛組外的其他2組中和真實(shí)布局難以分辨，而模擬退火布局由于其位置和朝向較為凌亂，與真實(shí)布局有較大差別，導(dǎo)致被選次數(shù)很低。對(duì)于a組，邊緣房屋朝向的錯(cuò)誤過(guò)于明顯導(dǎo)致易于區(qū)分，但總體來(lái)說(shuō)本文布局的視覺(jué)效果可以達(dá)到預(yù)期。

表5 20位參與者的3組測(cè)評(píng)數(shù)據(jù)

3.2 相似方法對(duì)比

表6展示了相似預(yù)測(cè)方法的對(duì)比，文獻(xiàn)[15]和文獻(xiàn)[10]均為單類別預(yù)測(cè)，本文為多類別預(yù)測(cè)。文獻(xiàn)[15]在對(duì)家具進(jìn)行預(yù)測(cè)時(shí)，直接插入實(shí)例并預(yù)測(cè)方向，沒(méi)有尺寸模型；文獻(xiàn)[10]則增加了尺寸模型來(lái)預(yù)測(cè)家具的長(zhǎng)寬。本文的布局對(duì)象與家居布局對(duì)象特點(diǎn)不同，家具尺寸均被視為規(guī)則的矩形，且同一類家具長(zhǎng)寬差異不大。而徽派房屋的形態(tài)和面積差異很大，如果視為矩形來(lái)進(jìn)行預(yù)測(cè)，最后的結(jié)果大多是一個(gè)真實(shí)數(shù)據(jù)集中不存在的面積值，為了保證真實(shí)性，采用樣例驅(qū)動(dòng)的生成操作；另外徽派房屋根據(jù)戶主的身份、房屋作用本身就有大宅院和民居等劃分，本文認(rèn)為面積類別比面積值更能反映布局規(guī)律。因此，根據(jù)領(lǐng)域知識(shí)和數(shù)據(jù)統(tǒng)計(jì)，將房屋面積進(jìn)行分類預(yù)測(cè)，放在類別模型中，以替代尺寸模型，并在最后的樣例驅(qū)動(dòng)生成過(guò)程中，在相應(yīng)類別挑選符合位置和朝向要求的真實(shí)房屋形態(tài)，這樣結(jié)果更具真實(shí)性。

表6 相似預(yù)測(cè)方法對(duì)比

4 結(jié)束語(yǔ)

本文提出了一種預(yù)測(cè)網(wǎng)絡(luò)輔助下徽派村落街坊布局生成方法，并通過(guò)計(jì)算房屋類別、聚集度以及門朝向指標(biāo)等驗(yàn)證了實(shí)驗(yàn)的有效性，在多樣性分析和用戶研究中展現(xiàn)了本文布局的真實(shí)合理性。其在一定程度上符合徽派村落街坊的布局特征與規(guī)律。本文方法也存在以下不足：

(1) 數(shù)據(jù)量不夠大，對(duì)于深度學(xué)習(xí)而言樣本量有所欠缺，使得模型很難具備泛化能力。后續(xù)的首要任務(wù)是擴(kuò)大并完善徽派村落數(shù)據(jù)收集工作。

(2) 聚集度指標(biāo)是測(cè)試集數(shù)據(jù)的平均值，只是整體徽派村落街坊布局的參數(shù)意向值，并不能體現(xiàn)單個(gè)街坊與真實(shí)值的差異。未來(lái)需對(duì)指標(biāo)進(jìn)行更細(xì)化的設(shè)計(jì)。

[1] MA?M J, HAEGLER S, YERSIN B, et al. Populating ancient pompeii with crowds of virtual romans[C]//The 8th International Symposium on Virtual Reality. EPFL: Archeology and Cultural Heritage-VAST, 2007: 109-116.

[2] AFONSO F. Study of the compositional rules of design in Chaoshan traditional house: a computational approach[C]// ARTECH 2021: 10th International Conference on Digital and Interactive Arts. New York: ACM Press, 2021: 1-8.

[3] 楊曉波, 李欣亮, 趙青, 等. 基于多源數(shù)據(jù)的西藏傳統(tǒng)古建筑三維精細(xì)化重建: 以布達(dá)拉宮為例[J]. 實(shí)驗(yàn)室研究與探索, 2019, 38(8): 4-8.

YANG X B, LI X L, ZHAO Q, et al. Precise 3D reconstruction of traditional Tibetan architecture based on multi-source data—an example of potala palace[J]. Research and Exploration in Laboratory, 2019, 38(8): 4-8 (in Chinese).

[4] 薛峰, 宋為, 崔國(guó)影. 基于子圖拓?fù)鋽U(kuò)展的徽派建筑快速建模方法[J]. 圖學(xué)學(xué)報(bào), 2013, 34(6): 48-55.

XUE F, SONG W, CUI G Y. Rapid Anhui styled architecture modeling based on sub-topology generation[J]. Journal of Graphics, 2013, 34(6): 48-55 (in Chinese).

[5] 李尚林, 李琳, 曹明偉, 等. 面向真實(shí)構(gòu)建的徽州建筑快速建模方法[J]. 軟件學(xué)報(bào), 2016, 27(10): 2542-2556.

LI S L, LI L, CAO M W, et al. Construction-oriented rapid modeling method on Huizhou architectures[J]. Journal of Software, 2016, 27(10): 2542-2556 (in Chinese).

[6] LIANG H, LV K L, SUN Y S, et al. Semantic-driven 3D scene construction based on spatial relationship and case-base[C]//2021 IEEE 7th International Conference on Virtual Reality. New York: IEEE Press, 2021: 54-61.

[7] SU X, WU C L, GAO W, et al. Interior layout generation based on scene graph and graph generation model[M]//Design Computing and Cognitionu201920. Cham: Springer International Publishing, 2022: 267-282.

[8] ZHANG S K, LI Y X, HE Y, et al. MageAdd: real-time interaction simulation for scene synthesis[C]//The 29th ACM International Conference on Multimedia. New York: ACM Press, 2021: 965-973.

[9] WANG K, XU X H, LEI L, et al. Roominoes: generating novel 3D floor plans from existing 3D rooms[J]. Computer Graphics Forum, 2021, 40(5): 57-69.

[10] RITCHIE D, WANG K, LIN Y. Fast and flexible indoor scene synthesis via deep convolutional generative models[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2019: 6175-6183.

[11] WANG X P, YESHWANTH C, NIE?NER M. SceneFormer: indoor scene generation with transformers[C]//2021 International Conference on 3D Vision. New York: IEEE Press, 2021: 106-115.

[12] ARROYO D M, POSTELS J, TOMBARI F. Variational transformer networks for layout generation[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2021: 13637-13647.

[13] SOHN K, YAN X C, LEE H. Learning structured output representation using deep conditional generative models[C]//The 28th International Conference on Neural Information Processing Systems - Volume 2. New York: ACM Press, 2015: 3483-3491.

[14] HARTMANN S, KRüGER B, KLEIN R. Content-aware re-targeting of discrete element layouts [J/OL]. Computer Science Research Notes, 2015, 25(1): 173-182. http://wscg.zcu. cz/DL/wscg_DL.htm.

[15] WANG K, SAVVA M, CHANG A X, et al. Deep convolutional priors for indoor scene synthesis[J]. ACM Transactions on Graphics, 2018, 37(4): 1-14.

Generation method of neighborhoods layout in Hui-style villages with the aid of prediction network

ZHU Lei, JIANG Fu-lin, LI Lin

(School of Computer Science and Information Engineering, HeFei University of Technology, HeFei Anhui 230009, China)

The layout optimization of traditional villages was an important part of the modeling of outdoor scene-aided design. Thus a generation method was proposed for neighborhoods layout in Hui-style villages with the aid of prediction network. Firstly, a structured data construction method was proposed for neighborhoods layout in Hui-style villages based on CAD mapping. Secondly, prediction networks were designed for each type, location, and orientation of houses in the local layout. Finally, the prediction results were used to predict the type of houses, which was conducted by firstly according to the area and shape classification in the existing house data set, and then by searching for the optimal generation results in the corresponding categories, and could satisfy the non-overlapping constraints within the region and houses. A series of quantitative and qualitative experimental results show that this method can generate a house layout that conforms to the characteristics and rules of the neighborhoods layout in Hui-style villages, so as to provide designers with a creative means for Hui-style settlement scenes.

Hui-style villages; village layout; automatic layout; prediction network; layout optimization

TP 391

10.11996/JG.j.2095-302X.2022050909

A

2095-302X(2022)05-0909-09

2022-03-20；

2022-05-25

20 March，2022；

25 May，2022

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2020YFC1523100)；國(guó)家自然科學(xué)基金面上項(xiàng)目(62102126)；安徽省科技援藏援疆援青專項(xiàng)(202104e11020006)

National Key R&D Program (2020YFC1523100); General Program of National Natural Science Foundation of China (62102126); Anhui Province Science and Technology Aid to Tibet, Xinjiang and Qinghai Special Project (202104e11020006)

朱 蕾(1995-)，女，碩士研究生。主要研究方向?yàn)橛?jì)算機(jī)圖形學(xué)。E-mail：1017579300@qq.com

ZHU Lei (1995-), master student. Her main research interest covers computer graphics. E-mail：1017579300@qq.com

李 琳(1977-)，女，副教授，博士。主要研究方向?yàn)樘摂M現(xiàn)實(shí)與人機(jī)交互。E-mail：lilin_julia@hfut.edu.cn

LI Lin (1977-), associate professor, Ph.D. Her main research interests cover virtual reality and human-computer interaction. E-mail：lilin_julia@hfut.edu.cn