GAN生成的公寓单元，具有特定风格
在本文中，我们的重点是围绕严格的平面图及其生成组织，使用生成对抗神经网络（GAN）。随着我们提高生成平面图的能力，我们提出了模型固有偏差的问题，和怎样将我们的研究扩展到组织的简单命令之外。
我们通过训练和调整特定风格的模型系列来研究建筑风格学习：巴洛克风格，排屋，维多利亚郊区住宅和曼哈顿单元。除了每种风格的简单特征之外，我们的研究揭示了风格的更深层含义：风格不仅仅是文化意义，它还带有一套基本的特征规则，定义了清晰的空间机制并控制着计划的内部组织。
在这篇文章中， 我们将试图证明建筑风格对平面图组成的深远影响。
AI和生成对抗神经网络生成对抗神经网络（GAN），人工智能的这个子领域已被证明在应用于二维信息生成时会产生巨大的作用。作为任何机器学习模型，GAN在呈现给他们的数据中学习统计上明显的现象。然而，它们的结构代表了一个突破：由两个关键模型 - 生成器和鉴别器组成，GAN利用两个模型之间的反馈循环来优化其生成相关图像的能力。识别器经过训练以识别来自一组数据的图像。经过适当的训练，该模型能够区分从数据集中取出的真实示例与从外部到数据集的" 假 "图像。然而，生成器被训练以创建类似于来自相同数据集的图像的图像。当生成器生成图像时，判别器会为其提供有关其输出质量的一些反馈。作为回应，生成器适应产生更逼真的图像。通过这个反馈循环，GAN逐步建立其创建相关合成图像的能力，从而考虑观察到的数据中发现的现象。
生成性对抗神经网络的体系结构
我们专门将此技术应用于平面布局设计，使用计划的图像表示作为我们GAN模型的输入和输出的数据格式。我们工作中使用的框架是Pix2Pix，这是一种标准的GAN模型，适用于图像到图像的转换。
组织在要素空间布局是建筑学科一个关键问题。这项练习非常重要，可以按一系列步骤进行离散化。事实上，每一步都是由经过全面训练的GAN模型捕获的。每个模型对组织的仔细研究揭示了存在更深层次的偏见，我们的学科就是建筑风格。打开我们的"代堆栈"将帮助我们压缩不同层次的风格，并隔离风格影响的基础。
管道与生成一开始，我们提出了一个管道，其中通过嵌套连续车型一个接一个，我们协助建筑师在产生一个连贯的房间布局（型号I）和家具（型号II），终于重新组装所有公寓单位为试探性布局规划。
生成管道，模型I和模型II
对于整个管道中的每个步骤，我们为用户提供了一个简单的界面。在左侧，他可以输入一组约束和边界，以在右侧生成结果计划。然后，设计人员可以在左侧迭代地修改输入，以在右侧修改结果。下面的动画展示了为Model I设置的这种类型的界面和过程。
模型I接口
风格的出现考虑到一批生成的单元，我们开始注意到固有的偏见对我们模型的某些量：内壁结构一致奠定了作为分区的正交系，不顾单位的外立面的潜在方向。与此同时，节目布局也始终如一地设置，使得" 服务 "空间 - 浴室，厕所，壁橱，厨房 - 被包装在地块的背面，而立面的奇怪几何形状被过度尺寸吸收客厅和卧室。
生成公寓单元的计划线框（左）和程序重新分区（右）
事实上，这些特征可以在我们的初始训练集中找到。我们在这里理解这个作为建筑学科中心概念的字面翻译：风格。
样式我们不是要防止这种偏见，而是努力创建一个通用或客观的计划生成器
为此，我们选择扩大我们的调查范围并将其扩展到建筑风格学习。我们创建了一个新的管道，可以将平面图从一种风格转换为另一种风格，从现代风格到巴洛克风格。
现代到巴洛克式的翻译和减法
上面的例子更深刻地揭示了建筑风格的深层含义：在这个GIF中，我们从转变后的计划（巴洛克）中减去了初始墙体结构（现代）。剩下的" poché "是巴洛克风格所引发的另外一种：它不仅仅是对现有人物墙的新改造，而是对内部结构和空间组织的深刻重塑。
事实上，我们在这里证明了Farshid Moussavi 作为风格特征的东西。除了文化意义之外，每种风格都以不同的方式处理空间，并特别对类似的约束作出反应
为了研究建筑风格的学习，我们训练和调整了一系列特定风格的模型 - 巴洛克，排屋，维多利亚郊区住宅和曼哈顿单元 - 能够模仿每种特定的建筑风格。
对于每种风格，我们在下面显示初始训练集（左），一些生成的公寓单元（中心），以及相同公寓单元的物理模型（右）。
巴洛克公寓单元
曼哈顿公寓单元
排屋公寓单元
维多利亚式公寓单元
如果生成单元，我们可以识别每种风格中的一些清晰模式。这种适合每种模式的"行为"对我们来说是每种风格机制的直接翻译。除了在每个公寓单元上应用简单的纹理外，每个模型都捕获了一组特征和规则。
特征图模板
为了超越这个简单的观察，我们提供了绘制每种风格的能力。每个模型对应一组优点和缺点，并将它们压缩下来，这将使我们能够真正评估每种风格的特征性现实。此外，我们希望扩展我们对模型能力的理解，以便我们以后能够有目的地使用每个模型，给出一组新的约束和特征要求。
在明确我们提出了一个六轴曲线图，反映了一个给定的模型来处理六个特定类型的条件能力：深度，紧凑，单方向或者多方向（数量外墙），锐角（边界的尖锐的几何形状），节目频谱（节目的广度）。
在彻底测试了我们的四个模型后，我们提出以下图表......
样式的特征图
更具体地说，为了明确上述图表，我们对每种风格的特征进行了深入的解释：
巴洛克风格- 可以处理深度和锐利的几何边界。通过增加壁龛和壁龛，这种风格可以细分地块，并在地块的深度之外雕刻出合适的空间。
- 然而，这种风格需要空间来展现其逻辑和内部结构，因此对紧凑的足迹反应不佳。
- 对单向或双向反应更好。
- 显示广泛的编程频谱。
- 处理深度和锐利几何边界的问题。
- 通过在地板之间传播特征并将每个特征限制在狭小的空间中，可以充分利用紧凑的占地面积。
- 深度得到很好的处理并经常充满垂直循环，服务空间围绕这个循环聚集。
- 轻松处理多个方向。
- 通过居住在地块中心与服务空间，可以很好地处理深度。
- 显示广泛的房间和程序丰富
- 然而，这种风格对于紧凑的足迹反应不佳，并且无法真正应对尖锐的几何边界。
建筑体量（北，东，南和西立面）
应用我们在最后的建筑项目带来所有这些直觉在一起：大规模住房开发位于曼哈顿的下东区。包裹的复杂几何形状迫使我们的设计具有一定的复杂性。由于我们的体量，我们获得了380个独立公寓单元的目录。
A.建筑物
顺序所有楼层
目录波纹板
单位
我们首先尝试处理整个楼层，每次使用不同的样式。下面显示的结果再次显示了谨慎使用样式的必要性，尊重每个上下文的约束和特异性。如果某些单位使用某种风格成功布局，则其他单元无法找到合适的内部组织。通过在我们的公寓单元目录中交替使用样式，我们希望找到适合每个特定空间条件的答案。
每个风格下处理的15楼：B aroque （Far -Left ），曼哈顿（中左），Row-House（中右），维多利亚时代（右 - 右）
了解每个GAN模型的优点和缺点，每种风格的潜力和缺点，我们现在使用最适合的模型处理每个公寓。每个楼层都变成了拼凑的风格。我们的目标是为每个瓷砖 - 每个单元 - 最合理的模型组成我们的"马赛克"拣选，以最好地处理约束。
在此选择过程中，我们已经隔离了一些结果选项，如下所示。
3个选项：10楼到20楼，处理不同
然后，我们缩小了探索范围，精确选择了所有楼板的单元和样式，最终组装了我们的最终设计。以下是三个典型的楼层......
第14，第15和第4层平面图
事实上，我们已将样式转换为特征性工具，能够满足整个开发过程中的特定条件。
但是，正如上述计划所示，我们搁置了某些约束，并做出明确的假设。我们想澄清这些。
结构结构留在结构芯上，紧张电缆沿立面延伸。因此，该计划不受垂直负载的干扰，并允许我们的算法自由地生成每个单元的分区系统。
注意：回顾我们的发电管道，潜在的改进将承担承重墙和柱的位置作为模型I的输入。通过这种方式，我们的管道将允许设计者控制建筑结构系统。或者，可以将模型I拆开成两个连续的模型，一个用于布置承载元件，另一个用于添加分隔墙。
严格的效率每种风格的繁荣和我们模型的自由度都没有解决我们学科中常见的问题：空间效率。然而，我们主要关心的是最大化每种风格的表现力，让每个模型展开其机制来展示其"个性"。
注意：为了协调GAN的效率，我们认为它们的输出构成了标准优化技术的巨大初始化。参数化的典型缺陷是设置了一个过于宽泛的问题空间，并伴随着随机初始化。在这些设置上运行的优化通常最终会集中在本地最小的解决方案上。我们的GAN背后的直觉带来了全新的初始化质量，在设置足够好的初始解决方案时显着缩小了问题空间。
体量Massing的概念指的是我们建筑的外形。上述设计的不合理形式在此意味着复杂性的触发，为我们的模型带来了实际的挑战。更合理的体量将符合更驯服和现实的公寓单元设计。我们的重点仍然是展示极端情况并测试我们模型的极限。
B.目录
生成的公寓单元目录
我们最后转到上面的单元目录，在我们的建筑物中找到。由此产生的设计的连贯性和丰富性是惊人的。此外，生成的公寓中显示的" 智能 "或正式的灵活性进一步证明了该方法的有效性：GAN模型确实可以封装一些可以在以后使用的建筑专业知识和风格，具体取决于所使用的约束集。第二部分中描述的每个模型的"个性"在每个子集中都清晰易读。
在本节结束时，我们在下面提供了一系列关键镜头，在我们的目录中进行了介绍。对于计划的严格描述性（左），我们每次都将内部氛围的图像（右）联系起来，作为一种方式来协调我们的过程与建筑的更多体验本质。
巴洛克公寓单位内部
曼哈顿公寓单位内部
排屋公寓单位内部
维多利亚式公寓单位的内部
结论如果我们首先将平面图计算为构图，在严格地作为工程产品之前，那么研究构图的驱动力可能是AI可以为我们提供一些有意义的答案。
遵循这种直觉，我们在本文中已经证明，建筑风格在更深层次上具有隐含的空间机制，这对任何平面图的构成都有重大影响。很明显，选择一种风格而不是另一种风格会产生空间影响。
在更基础的层面上，我们可以将风格视为建筑历史的副产品。如果每种风格中都有更深层次的特征规则，那么研究建筑历史可能有助于理解这些隐含规则随时间的演变。能够封装每种风格可以让我们超越对先例的研究，并通过解开GAN模型的行为来补充它，例如在这里训练的模型。他们能够模仿一些潜规则的建筑规则， 这使我们能够解决克里斯托弗·亚历山大在其"永恒的建筑方式"一书中所定义的建筑物中嵌入的" 没有名字的质量 " 。AI只是一种研究它的新方法。
最后，每个GAN模型中固有的风格存在构成了最后的结果：远离对生成设计的不可知和客观实践的承诺，似乎风格不可逆转地渗透到任何生成过程的本质。
需要明确：风格不是附属的、表面的或装饰性的附录。风格是构图的核心。认识到这些证据是了解AI可以为架构带来什么的先决条件。换句话说，建筑没有不可知的AI，没有无风格的机器，没有客观的生成设计。相反，每个模型或算法都会带有它的风格，个性和专有技术。
