基于pix2pix 的類平面圖生成及評價方法研究

■ 崔 哲

郭 昱

李 華

0 引言

信息技術(shù)的快速發(fā)展推動著數(shù)字經(jīng)濟的發(fā)展，繼而推動生產(chǎn)、生活方式和治理方式深刻變革?！丁笆奈濉睌?shù)字經(jīng)濟發(fā)展規(guī)劃》[1]指出了我國未來經(jīng)濟的發(fā)展方向，提出：大力推動數(shù)字技術(shù)與實體經(jīng)濟融合，數(shù)據(jù)賦能推進數(shù)字產(chǎn)業(yè)化與產(chǎn)業(yè)數(shù)字化發(fā)展；推動形成數(shù)據(jù)資產(chǎn)目錄，健全完善數(shù)字經(jīng)濟治理體系；統(tǒng)籌新型智慧城市和數(shù)字鄉(xiāng)村建設(shè)，推動數(shù)字城鄉(xiāng)融合發(fā)展；加快既有住宅和社區(qū)設(shè)施數(shù)字化改造，鼓勵新建小區(qū)同步規(guī)劃建設(shè)智能系統(tǒng)，打造智慧共享的新型數(shù)字生活；等等。

在建筑學(xué)領(lǐng)域，數(shù)字建成環(huán)境作為產(chǎn)業(yè)數(shù)字化的典型代表，其實質(zhì)是基于建筑學(xué)理論設(shè)計構(gòu)建的虛擬環(huán)境（圖1），承載著虛擬角色在虛擬環(huán)境中的行為。隨著數(shù)字建成環(huán)境在各行各業(yè)（主要是教育、商業(yè)、辦公、游戲和影視等）中的建造需求不斷增大，以及現(xiàn)實環(huán)境中實體建筑與數(shù)字技術(shù)的加速融合，建筑的數(shù)字化、智能化程度的不斷加深，依賴人工搭建的傳統(tǒng)工作模式難以滿足未來高效率、高創(chuàng)新性的建造要求。因此，如何利用計算機技術(shù)，快速、大量、優(yōu)質(zhì)地自動生成建筑平面圖，是當(dāng)下建筑學(xué)需要解決的重要問題。

圖1 數(shù)字建成環(huán)境[2]

1 建筑平面圖自動生成

平面圖是建筑空間最重要的信息承載體，平面圖的自動生成是數(shù)字建成環(huán)境自動生成的基礎(chǔ)，一般包括基于規(guī)則和基于圖像學(xué)習(xí)技術(shù)兩種技術(shù)路線。

1.1 基于規(guī)則的建筑平面圖自動生成

基于規(guī)則的建筑平面圖自動生成方法由F.Hayes-Rotht 等[3]于1983年提出，又稱為“建筑專家系統(tǒng)”，是建筑平面圖自動生成的起點。有關(guān)這方面的研究較多，比較具有代表性的如：U.Flemming 等[4]采用窮舉法配合修剪搜索樹的方法建立了平面生成程序，可在一個給定的矩形房間內(nèi)合理布置家具；P.Charman 等[5]提出“半幾何弧形一致性”概念，實現(xiàn)了同一個戶型內(nèi)多個房間的家具布置設(shè)計；B.Medjdoub 等[6]又在此基礎(chǔ)上加入空間的拓撲關(guān)系，來優(yōu)化生成效果；E.Grabska 等[7]基于拓撲學(xué)建立了一套支持多層建筑設(shè)計的可視化設(shè)計系統(tǒng)；華好[8]實現(xiàn)了在非正交輪廓內(nèi)布置建筑平面的算法。該技術(shù)路線的局限性在于難以構(gòu)建一個可以覆蓋多種風(fēng)格及類型平面圖的生成算法，生成效果依賴用戶輸入、符號構(gòu)造和調(diào)參經(jīng)驗[9]。

1.2 基于圖像學(xué)習(xí)技術(shù)的建筑平面圖自動生成

基于圖像學(xué)習(xí)技術(shù)的建筑平面圖自動生成方法以神經(jīng)網(wǎng)絡(luò)作為工具，首先將大量標(biāo)注過的平面圖輸入神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)平面圖中空間分布的潛在規(guī)則，再利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)自動生成平面圖。2014 年，Goodfellow 等[10]提 出 生成對抗網(wǎng)絡(luò)（generative adversarial networks，GAN），提高了該技術(shù)路線的訓(xùn)練效率。GAN 作為一種深度學(xué)習(xí)模型，在算法結(jié)構(gòu)上作出重大創(chuàng)新，生成器（generator）與判別器（discriminator）的博弈式學(xué)習(xí)方法極大地促進了計算機視覺的發(fā)展。該領(lǐng)域的重要研究包括：設(shè)計草圖生成[11]、3D 建筑圖片生成[12]、限定范圍內(nèi)的建筑平面圖生成[13-16]、多專業(yè)圖紙生成[17]等。

此類平面圖的生成又可細分為人機協(xié)同和直接生成兩種技術(shù)路線（表1），其生成過程中需要設(shè)計范圍作為限制條件。通常，將表示設(shè)計范圍的圖稱為條件圖，將生成模型計算并輸出的圖稱為生成圖。

表1 圖像學(xué)習(xí)在建筑平面生成中的應(yīng)用

（1）人機協(xié)同的工作模式一般分為兩步，即先由用戶基于條件圖產(chǎn)生代表設(shè)計意象的分析圖，再由生成模型根據(jù)分析圖輸出代表設(shè)計結(jié)果的生成圖。例如：吳文明等[13]以“房間定位點圖”作為分析圖來訓(xùn)練生成模型，其采用的樣本庫來源于自建的真實戶型圖數(shù)據(jù)集RPLAN；胡瑞珍等[14]基于RPLAN 數(shù)據(jù)集，制作“功能氣泡圖”作為分析圖，以此訓(xùn)練生成模型；曾偉等[15]基于RPLAN 數(shù)據(jù)集制作“活動熱力圖”，并將其作為分析圖訓(xùn)練生成模型。雖然分析圖交互步驟可以增加用戶體驗感，但其與設(shè)計結(jié)果之間的對應(yīng)關(guān)系通常比較模糊，訓(xùn)練難度較高，即便采用了幾萬個訓(xùn)練樣本，生成圖還會出現(xiàn)空間邊界不清晰的情況（表1）。

（2）直接生成是將條件圖輸入至訓(xùn)練好的生成模型中，直接生成設(shè)計結(jié)果。在以往的研究中，此類生成圖普遍存在色彩界限模糊等問題。例如：陳夢凡等[18]通過一個訓(xùn)練好的堆疊GAN 模型，按照“場地圖—分區(qū)路網(wǎng)圖—建筑點位圖—總平面圖”的生成步驟，生成職業(yè)技術(shù)學(xué)院的校園總平面圖，但其每一步的生成圖都出現(xiàn)了色彩區(qū)域界限模糊或色彩過度的情況，需要人工調(diào)整后才能作為下一步的條件圖；黃蔚欣等[19]基于pix2pixHD 算法，對戶型圖進行空間色彩語義圖與渲染平面圖的互相轉(zhuǎn)換，但生成圖同樣存在設(shè)計元素邊界模糊的情況；Chaillou[16]建立了一個直接生成戶型圖的堆疊GAN，其部分生成步驟“建筑輪廓—帶有空間色彩語義的平面圖—帶有家具的平面圖”出現(xiàn)了色彩融合過度、線稿不清晰的情況；劉德利等[20]嘗試基于pix2pix算法的建筑形態(tài)及其組合生成設(shè)計，訓(xùn)練神經(jīng)網(wǎng)絡(luò)根據(jù)地塊生成內(nèi)部建筑布局；崔哲等[21]曾嘗試對養(yǎng)老設(shè)施建筑平面圖的訓(xùn)練，但由于標(biāo)注工作量的限制，導(dǎo)致生成圖像中的各個空間邊界模糊。上述研究皆采用真實存在的平面圖作為訓(xùn)練樣本，且樣本量均小于1 000 個。然而，現(xiàn)實中多變的設(shè)計條件與設(shè)計策略使得每一個樣本都具有自身的特殊性，難以保證樣本潛在規(guī)則的同一性，故筆者團隊認(rèn)為，建立相同規(guī)則的建筑平面圖樣本庫，是此類研究的首要條件。

平面圖生成模型的訓(xùn)練需要有大量的訓(xùn)練樣本，且樣本圖在規(guī)則上要有同一性；而吳文明等[22]建立的RPLAN 數(shù)據(jù)集雖然樣本量超過80 000，但均來自實際建筑，其項目環(huán)境、體量、設(shè)計要求、建筑師及設(shè)計風(fēng)格各不相同，不具備統(tǒng)一規(guī)則。因此，本研究擬構(gòu)建一套基于統(tǒng)一規(guī)則的大型數(shù)據(jù)集作為訓(xùn)練的基本材料，探討不同樣本量及模型架構(gòu)下pix2pix 算法的學(xué)習(xí)效果差異；同時，建立衡量學(xué)習(xí)效果的評價體系，找到學(xué)習(xí)效果最優(yōu)的生成模型。

2 實驗設(shè)計

2.1 類平面圖定義

將平面圖轉(zhuǎn)換為可以被GAN 網(wǎng)絡(luò)識別的圖，需要進行大量的注釋工作，包括統(tǒng)一世界坐標(biāo)、圖像分辨率、比例尺、圖紙底色、各房間著色等。巨大的時間成本導(dǎo)致研究人員難以獲取足夠的訓(xùn)練樣本[23]。為了解決上述問題，本研究定義了“類平面圖”概念，即：將建筑平面圖抽象為由多個矩形組成，其每個矩形代表聚集的同類型空間及附屬空間。如圖2所示的“類平面圖”抽象過程中，c、d 即為“類平面圖”。

圖2 類平面圖抽象示意圖

2.2 類平面圖樣本生成規(guī)則設(shè)置

作為人居生活的最小空間單元，住宅是最基本、最重要且數(shù)量最多的建筑類型。也正是由于數(shù)量龐大，很多開源的建筑平面圖數(shù)據(jù)集均為住 宅， 如RPLAN[22]、LIFUHOME[24]等。實際上，許多建筑師如帕拉迪奧、安藤忠雄等都將住宅看作是建筑的原點，因此，本研究在制定類平面圖生成規(guī)則時，參考了住宅的一般規(guī)律。如圖3 所示，A0為初始矩形，隨機選擇1 個頂點作為基點，向外生成矩形A1，組成一個新的平面；并在此平面外輪廓上再隨機選擇1 個頂點生成矩形A2，以此類推。經(jīng)過n次循環(huán)后，可形成由n+1 個矩形組成的類平面圖。每個新矩形的生成規(guī)則如圖4所示。

圖3 類平面圖的生成步驟

圖4 新矩形生成規(guī)則

為了標(biāo)記空間的位置、朝向、面積屬性，對類平面圖中的矩形進行顏色標(biāo)注。結(jié)合GAN 的采樣原理，將色彩分為RGB3 通道（0～255 之間的整數(shù)），其中：R值標(biāo)記朝向，G值標(biāo)記位置，B值標(biāo)記面積。圖5 是由10 個矩形組成的類平面圖，其注釋（著色）步驟包括：①制作類平面圖邊界框，即完全包含類平面圖的最小矩形框；②在其中制作色彩矩陣，矩陣左下單元格的色彩R、G值為0，且矩陣中所有單元格的色彩B值為0；③取各個矩形的幾何中心點，其在色彩矩陣中對應(yīng)的R、G值即為該矩形顏色的R、G值；④將所有矩形的面積等比例縮放至[0,255]區(qū)間內(nèi)作為顏色的B值，其中最大面積矩形的B值為255，最小面積矩形的B值為0；⑤去掉矩陣及中心點，得到有色彩信息的類平面圖。

圖5 平面注釋（著色）步驟

2.3 任務(wù)設(shè)置及數(shù)據(jù)集建立

2.3.1 任務(wù)設(shè)置

首先，采用GH-python 軟件，將矩形總數(shù)分別設(shè)置為6、7、8、9、10 個，共得到4 556 個可用的類平面圖；設(shè)置每個類平面圖的標(biāo)識ID。通過調(diào)整每個類平面圖的顯示設(shè)置，可以得到3 類圖紙（圖6）：①黑圖，即表示設(shè)計范圍的條件圖，其外輪廓內(nèi)部全部涂黑；②線框圖，即表示空間分割信息的條件圖或結(jié)果圖，其內(nèi)部填充灰色以區(qū)分設(shè)計范圍和非設(shè)計范圍；③色彩語義圖，即代表設(shè)計范圍內(nèi)空間分割及各個空間位置、朝向、面積等屬性的結(jié)果圖。

圖6 圖紙樣式及圖像轉(zhuǎn)譯任務(wù)設(shè)置

其次，基于pix2pix 算法，探索根據(jù)黑圖直接生成色彩語義圖的生成模型在不同訓(xùn)練參數(shù)下的學(xué)習(xí)效果。設(shè)置單一GAN 和堆疊GAN 兩種構(gòu)架，其中：單一GAN 僅包含1 個執(zhí)行空間分割及著色的生成器G1；堆疊GAN 包含2 個生成器，分別是執(zhí)行空間分割的G2和執(zhí)行色彩標(biāo)記的G3，運行時先啟動G2，并將G2的生成圖作為G3的條件圖，再啟動G3進行生成。G1～G3分別對應(yīng)圖像轉(zhuǎn)譯任務(wù)1～3（圖6）。

2.3.2 建立數(shù)據(jù)集

根據(jù)pix2pix 算法特性，用于訓(xùn)練的樣本要求是512×256 分辨率的合成圖片，其中：條件圖占據(jù)右邊的256×256 像素，生成圖占據(jù)左邊的256×256 像素；同時，在條件圖與生成圖中，學(xué)習(xí)目標(biāo)的像素坐標(biāo)必須一一對應(yīng)。因此，本研究在進行樣本的批量生成時，對相機和顯示模式進行固定，并在生成圖像后，根據(jù)圖像ID 進行配對?；诖耍謩e建立3 個圖像轉(zhuǎn)譯任務(wù)的圖庫，且每個圖庫中包含4 556 個512×256 分辨率的合成圖片樣本。

為了探索不同訓(xùn)練樣本量的學(xué)習(xí)效果，按樣本量從小到大依次設(shè)置6 個訓(xùn)練集，分別為：100、500、1 000、2 000、3 000、4 000 樣本訓(xùn)練集。對4 556 個類平面圖的ID 按留出法進行抽樣，先隨機抽取25 個圖片ID 作為測試集，再在剩余的ID中抽取訓(xùn)練集。3 個轉(zhuǎn)譯任務(wù)共抽樣得到18 個訓(xùn)練數(shù)據(jù)集。

2.4 最高訓(xùn)練回合

采用充分學(xué)習(xí)法，即每個回合（epoch）學(xué)習(xí)的樣本包括全部的訓(xùn)練樣本。設(shè)batch_size=1，則每個回合學(xué)習(xí)的迭代次數(shù)就是樣本量。采用任務(wù)1 的100 樣本訓(xùn)練集進行預(yù)訓(xùn)練，共設(shè)置250 個回合，查看生成器G 與鑒別器D 的損失函數(shù)變化（圖7）。可以看出：鑒別器損失函數(shù)在學(xué)習(xí)80 回合左右到達最低值，隨后不斷波動；生成器損失函數(shù)在學(xué)習(xí)230 回合左右到達最低值，隨后也不斷波動。在實際訓(xùn)練時，需要給學(xué)習(xí)回合數(shù)留出余量，故仍設(shè)置最大回合數(shù)為250 個。訓(xùn)練過程中，每10 個回合保存1 個生成模型。

圖7 任務(wù)1“100 樣本”訓(xùn)練集損失函數(shù)圖

2.5 實驗流程

本次實驗共訓(xùn)練得到450 個生成模型，具體實驗流程如圖8 所示：

圖8 實驗流程示意圖

① 自定規(guī)則生成建筑類平面圖圖庫；②制定3 個圖像轉(zhuǎn)譯任務(wù)，并制作各自的樣本庫；③先在樣本庫中抽取測試集，再在剩余樣本中進行多種訓(xùn)練樣本體量的簡單隨機抽樣；④用一個任務(wù)的最小樣本進行預(yù)訓(xùn)練，根據(jù)損失函數(shù)的收斂情況，確定訓(xùn)練的最大回合；⑤開始訓(xùn)練，訓(xùn)練過程中每隔一定回合保存生成模型；⑥將得到的生成模型在測試集上進行測試；⑦分析測試結(jié)果，得到結(jié)論。

3 實驗結(jié)果與分析

對訓(xùn)練得到的450 個生成模型進行保存，同時記錄訓(xùn)練參數(shù)。用預(yù)先抽取的25 個類平面圖的測試集對每個生成模型進行測試，并將各測試用類平面圖與生成模型交叉匹配，最終得到11 250 個生成圖。

3.1 單一GAN 模型檢驗

3.1.1 檢驗方法

一般情況下，可通過對比生成圖與真實圖的一致性來檢驗生成圖是否符合規(guī)則。以4 000-240（樣本-訓(xùn)練回合）模型在1 號測試圖上的生成圖為例（圖9）：①空間劃分方面，生成圖中的矩形A0及矩形A5～A9與真實圖一致，矩形A1～A4雖不一致，但其排布符合圖3 和圖4 所示規(guī)則；②色彩方面較為復(fù)雜，矩形A5及A5～A9號可參考真實圖，矩形A1～A4的R、G值參考色彩矩陣，B值參考其他矩形。由于生成圖中存在一定的色彩過渡現(xiàn)象，需先對矩形內(nèi)部的色彩進行平均化處理。將生成圖的線框復(fù)制到色彩矩陣中，提取矩形A1～A4中心點的R、G值；將生成圖與真實圖的色彩參數(shù)用散點圖表示（圖9b），發(fā)現(xiàn)各點圍繞在y=x參考線附近，因此生成圖的色彩語義符合設(shè)定的色彩規(guī)則。

圖9 生成圖合規(guī)檢驗

上述方法可以較準(zhǔn)確地評價生成模型的學(xué)習(xí)效果，但存在效率低、難以準(zhǔn)確量化對比等問題。為了更加高效、準(zhǔn)確地評價生成模型的學(xué)習(xí)效果，可引入客觀的像素匹配算法（pixelmatch）來檢驗生成圖與真實圖的相似度。

3.1.2 像素相似度檢驗

Pixelmatch 算法的原理是將兩張圖進行逐個像素掃描，對比相同像素坐標(biāo)下RGB值之差，得到有差異的像素數(shù)量總和，記為P′。將圖像像素總數(shù)記為P，根據(jù)公式（1）定義像素相似度Psim。

將源自同一個生成模型的所有生成圖的分?jǐn)?shù)平均值記為該生成模型的像素相似度，對所有生成圖與真實圖進行像素相似度檢驗，檢驗范圍為類平面圖的邊界框內(nèi)。圖10 為任務(wù)1所有生成模型的像素相似度散點圖，可以看出，像素相似度總體隨樣本量和訓(xùn)練回合數(shù)的增加而增加。

圖10 任務(wù)1 生成模型像素相似度散點圖

像素相似度高雖然在一定程度上代表了生成圖與真實圖的相似度，但仍有一些高像素相似度的生成圖存在斷線、色彩過渡等現(xiàn)象（表2）。因此，生成圖的評價還需要主觀檢驗作為輔助。

表2 存在斷線、色彩過渡現(xiàn)象的高像素相似度生成圖舉例

3.1.3 主觀檢驗

從是否有色彩過渡、是否存在不清晰的分割線兩個方面，對每張生成圖進行評分：無色彩過渡、分割線清晰皆記1 分，否則記0 分。將兩項標(biāo)準(zhǔn)的分?jǐn)?shù)之和記為圖片的主觀評分（表3）；源自同一個生成模型的所有生成圖的分?jǐn)?shù)總和記為該生成模型的主觀評分。圖11 為任務(wù)1 所有生成模型的主觀評分，從其趨勢線可以看出，主觀評分同樣隨樣本量和訓(xùn)練回合數(shù)的增加而增加。

表3 主觀評分標(biāo)準(zhǔn)

圖11 任務(wù)1 生成模型主觀評價分值散點圖

3.1.4 單一GAN 模型生成效果

從圖10～11 可以看出，無論是像素檢驗還是主觀評價，任務(wù)1 模型的生成效果都與樣本量和學(xué)習(xí)回合呈正相關(guān)，說明由黑圖向色彩語義圖的轉(zhuǎn)換模式有較好的可控性。綜合像素檢驗與主觀評價，在當(dāng)前參數(shù)范圍內(nèi)，4 000-240 模型主觀評價為22 分，生成圖與真實圖的像素相似度平均值和最高值分別為75.96%和89.15%，具有最優(yōu)生成效果。

結(jié)合表4 的單一GAN 生成模型測試結(jié)果舉例，按圖9 方法觀察：①3 號生成圖與真實圖基本相同；②1、4、5 號生成圖與真實圖雖略有不同，但基本符合矩形的生成規(guī)則；③2 號圖雖然空間分割符合規(guī)則，但色彩與原圖差別較大；④6 號生成圖空間分割不夠清晰，色彩基本符合設(shè)定規(guī)則。

表4 單一GAN 生成模型測試結(jié)果舉例

3.2 堆疊GAN 模型檢驗

3.2.1 生成器選擇

構(gòu)建堆疊GAN，需要從任務(wù)2和任務(wù)3 中分別選出生成效果得分前3 的生成模型進行交叉匹配，再通過測試選出最優(yōu)堆疊GAN。選擇標(biāo)準(zhǔn)依然是綜合考慮像素相似度主觀評分，其像素相似度與4.1 節(jié)中相同；主觀評分時，任務(wù)2 只考慮分割的清晰度，任務(wù)3 則只考慮有無色彩過渡現(xiàn)象。

（1）任務(wù)2 生成模型評價結(jié)果如圖12 所示。像素相似度方面，除2 個用“100 樣本”訓(xùn)練的模型略低于80%，其他模型均超過了80%，且基本聚集在85%附近；相比之下，主觀評分的得分差異較大，側(cè)面證明了主觀評價的必要性。綜合兩個標(biāo)準(zhǔn)，選擇表現(xiàn)最佳的3 個模型即2 000-60、1 000-190、1 000-140模型作為G2生成器（圖12 中用紅圈標(biāo)出）。

圖12 任務(wù)2 生成模型評價結(jié)果

（2）任務(wù)3 生成模型評價結(jié)果如圖13 所示。像素相似度散點圖（圖13a）中，各點比較分散；主觀評價分值散點圖（圖13b）中，各點則分聚在上下兩側(cè)，且集中在下側(cè)的點代表出現(xiàn)過擬合等問題的模型。由于模型篩選主要考慮色彩的準(zhǔn)確性，故采用像素相似度檢驗法準(zhǔn)確度較高。選取3 個像素相似度最高且未出現(xiàn)過擬合的模型即4 000-110、4 000-190、500-60 模 型 作 為G3生 成 器（圖13 中用紅圈標(biāo)出）。

圖13 任務(wù)3 生成模型的像素相似度和主觀評價散點圖

3.2.2 最優(yōu)堆疊GAN 選擇及生成效果

選出的模型生成效果如表5 所示。 任 務(wù)2 中，2 000-60 模 型 與1 000-190 模型的生成圖像素相似度相差僅為0.13%，但斷線情況差別明顯；任務(wù)3 中，3 個模型的生成圖的像素相似度很相近，都沒有色彩過渡現(xiàn)象。

表5 最優(yōu)模型的生成效果（以1 號測試圖為例）

對G2、G3生成器進行交叉匹配，得到9 個堆疊GAN，再分別在測試集上進行測試，得到225 張生成圖。綜合9 個堆疊GAN 的像素相似度與主觀評價（表6），D8 堆疊GAN 為最優(yōu)生成模型，由任務(wù)2 中最優(yōu)的生成模型和任務(wù)3 中最優(yōu)的生成模型組成。最優(yōu)堆疊GAN 的生成圖與真實圖像素相似度平均值為73.11%，最高值達91.20%；主觀評分為23 分。結(jié)合表7 的堆疊GAN 生成模型測試結(jié)果舉例，按圖9 方法觀察可知：1、3、7 號生成圖符合設(shè)定規(guī)則；5 號生成圖空間分割不夠清晰，但色彩基本符合設(shè)定規(guī)則；2、4、6 號生成圖出現(xiàn)L 形空間，不符合空間劃分規(guī)則。

表6 堆疊GAN 生成效果評價表

表7 堆疊GAN 生成模型測試結(jié)果舉例

3.3 單一GAN 與堆疊GAN 對比

對比表4 和表7 中單一GAN 與堆疊GAN 的測試結(jié)果可知：①單一GAN 在多數(shù)測試圖上的結(jié)果優(yōu)于堆疊GAN，尤其是如5、6 號邊界凹凸較少的一類圖；②堆疊GAN 在部分測試圖上的結(jié)果優(yōu)于單一GAN，如1、2 號測試圖?？傮w來說，單一GAN 訓(xùn)練的穩(wěn)定性更強，有更大的像素相似度平均值，對空間劃分規(guī)則的學(xué)習(xí)效果比堆疊GAN 更好；也有個別測試圖中，堆疊GAN 的生成效果更好，但訓(xùn)練的穩(wěn)定性較差，難以捕捉到好的生成器（表8）。

表8 兩種模型構(gòu)架生成效果比對

4 結(jié)論與展望

綜上所述，本研究提出用類平面圖代替真實平面圖的方法，將圖像學(xué)習(xí)中訓(xùn)練樣本量擴充至4 000 個以上，解決了標(biāo)注難、評價難的問題；通過構(gòu)建主客觀相結(jié)合的評價方法，可以較好地量化生成模型的學(xué)習(xí)效果。通過建立單一GAN 和堆疊GAN兩種構(gòu)架，并對比兩種構(gòu)架最優(yōu)生成模型的學(xué)習(xí)效果，得到以下結(jié)論：① 單一GAN 模型的學(xué)習(xí)效果隨樣本量和學(xué)習(xí)回合的增加而穩(wěn)步提升，而堆疊GAN 模型的學(xué)習(xí)效果與訓(xùn)練參數(shù)的相關(guān)性較弱；②從像素相似度平均值來看，單一GAN 模型優(yōu)于堆疊GAN 模型；③從像素相似度最高值和主觀評分來看，堆疊GAN 模型優(yōu)于單一GAN 模型；④單一GAN 模型生成的平面圖空間分割更清晰，對規(guī)則的學(xué)習(xí)效果也優(yōu)于堆疊GAN 模型。研究結(jié)論基本確定了簡單建筑平面圖的訓(xùn)練方法和評價方法，為后續(xù)復(fù)雜建筑的訓(xùn)練、生成圖中的斷線優(yōu)化、損失函數(shù)梯度的降低提供了研究思路，也為大規(guī)模生成建筑平面圖提供了技術(shù)和理論基礎(chǔ)。

圖像學(xué)習(xí)法生成建筑平面圖很高效，但目前尚未達到其邊界。本研究的最終目的是將生成模型應(yīng)用于數(shù)字建成環(huán)境或真實建筑中，那么生成圖的空間分割必須清晰，這樣才能得到可用的矢量圖。目前，生成模型還不能生成空間劃分非常清晰的平面圖，因此找到能夠精確劃分空間的訓(xùn)練方法將是后續(xù)研究的重點。此外，訓(xùn)練方法在真實建筑中的可復(fù)制性也很重要。如果將類平面圖的訓(xùn)練方法應(yīng)用在由真實戶型圖組成的數(shù)據(jù)集RPLAN 上，是否能達到同樣的訓(xùn)練效果？此類問題尚有待研究。如果未來能夠找到通用的、優(yōu)質(zhì)的訓(xùn)練方法，那么大量地、快速地生成具有創(chuàng)新性的戶型圖，甚至是更復(fù)雜的住區(qū)平面圖就有了可能。

（參加本課題研究的還有：同濟大學(xué)建筑與城市規(guī)劃學(xué)院博士研究生蘇杭，同濟大學(xué)建筑與城市規(guī)劃學(xué)院碩士研究生森敏惠）