基于生成對抗網絡的校園總平布局生成式設計探索
——以小學校園為例

鄧巧明，林文強，劉宇波（通訊作者），梁凌宇（通訊作者）/DENG Qiaoming,LIN Wenqiang,LIU Yubo (Corresponding Author),LIANG Lingyu (Corresponding Author)

0 引言

隨著計算機計算能力的飛速提升、算法的不斷改進，以及信息技術帶來的海量數據，人工智能技術的發展又達到了一個嶄新的高度。在建筑領域，用于設計和建造的數字技術，在過去的20～30 年里一直在改變著建筑師的工作方式，今天的人工智能技術，特別是基于統計學理論，通過經驗數據來提升機器智能化水平的機器學習方法也將進一步推動建筑行業的變革。近些年，在結合大量數據樣本與機器學習算法模型特點進行建筑風格判別、城市空間特征識別、基于建筑形體的物理性能指標預測、住宅平面的識別與生成等方面已有較多研究[1-5]，但結合設計邏輯思維過程探討基于用地條件與功能需求進行總平布局生成設計的相關研究仍然較少。

總平布局作為設計前期多方案比較與確定深化方向的重要環節，通常需要建筑師綜合考慮場地條件、各功能要素的使用需求、設計規范法規等多種條件的限制與要求。以小學總平布局設計為例，既要考慮場地周圍道路情況、用地形狀等因素合理選擇場地主要出入口位置，也要滿足教學樓、體育館、運動場等功能要素的布局與相互位置關系的合理性，同時還要兼顧教學樓的朝向、噪聲間距等多方面的要求。這通常需要依賴建筑師大量的設計經驗與對全局的把控能力，進行反復測算和比較，才能尋求一個最優布局。本文希望以小學校園總平布局設計作為切入點，探討利用對抗生成網絡的機器學習的理念與方法，實現基于用地周邊道路和用地形狀等用地條件的校園總平布局設計自動生成的思路與方法。

1 機器學習在布局設計領域的相關研究

布局設計是指在一定范圍內將各種要素以合理的位置和相互關系進行有目的組織的過程，涵蓋了包括海報排版、文檔布局、游戲場景設計、室內家具布局、工藝生產線布局等多個領域，一直是計算機科學領域的重要研究課題。以往的研究更多是將布局設計看作一種模式計算問題，并從計算機視覺、圖形學與機器學習等領域引入多種方法[6-7]。最近，神經網絡的復興通過深度學習的方法再次推進了相關研究，通過學習和訓練可以建立一個針對布局設計的生成器或預測器[8-9]。

針對建筑布局問題，保羅·梅里爾（Paul Merrell）等人（2010）使用貝葉斯網絡學習房間屬性關系，在不固定邊界的情況下使用隨機方法合成住宅的平面布局[10]。劉利剛等人（2019）提出了一種使用深度神經網絡與概率推論的方法預測平面各房間位置，并計算房間大小與墻壁位置的兩階段方法來最終生成具有給定建筑邊界的住宅建筑平面圖[7]。黃蔚欣、鄭豪（2018）利用生成對抗網絡GAN 實現基于公寓平面圖紙的功能識別與基于功能色塊圖的平面圖紙生成過程[11]；斯坦尼斯拉斯（Stanislas Chaillou，2019）通過訓練3 個GAN模型實現從基地到建筑輪廓，再到平面功能布局以及最后的家具布置的生成過程[12]；戴維·牛頓（David Newton，2019）探討了樣本量有限的柯布西耶風格住宅平面布局生成問題，并通過增加噪聲、旋轉等方法擴充樣本量，提高GAN 模型的訓練效果[13]。

上述研究中，計算機領域的劉利剛、建筑領域的斯坦尼斯拉斯都探討了利用機器學習的方法在只給定住宅輪廓的條件下生成住宅平面布局的方法與效果。值得注意的是，斯坦尼斯拉斯的研究還嘗試建立了從用地輪廓到住宅平面輪廓的映射變換，從而實現從用地條件到住宅平面功能布局以及家具布置的完整方案生成過程。但如果從設計師進行總平布局設計時的設計邏輯與思維過程的視角來考慮，作為影響建筑布局設計的用地條件，除了用地輪廓或形狀之外，基地道路及周邊功能情況（住宅、商業、辦公等）也都是用地條件的重要組成部分，將直接影響總平布局中主要出入口位置、各功能要素的擺放結果。此外，用地條件與功能需求首先決定了一個合理的總平布局關系，建筑輪廓是在總平布局關系的基礎上各功能體塊大小與形態的結果，而不是總平布局關系的先決條件。因此，本文希望從設計的邏輯思維與機器學習算法模型特點入手，進一步探討利用生成對抗網絡實現特定用地條件的小學校園布局生成設計的方法與效果。

2 基于Pix2Pix模型的小學校園設計布局生成方法

生成對抗神經網絡（Generative Adversarial Networks，簡稱GAN）是伊恩·古德費洛（Ian Goodfellow）于2014 年提出的一種機器學習方法[14]，它包括一個生成模型（Generative Model）和一個判別模型（Discriminative Model），通過兩者之間互相博弈的方式來讓模型能夠解釋真實的數據分布規律，進而生成新的圖像數據[15]。GAN與其衍生出的變種模型如CGAN、Pix2Pix（匹配圖像生成對抗網絡）、Pix2Pix_HD 等，被廣泛應用于視覺與圖像領域，實現圖像補全、圖像生成（從文字到圖像以及從圖像到圖像等）、圖像風格轉換等功能。本文采用的Pix2Pix 模型是菲利普·伊索拉（Phillip Isola）等人2017 年在GAN 基礎上改進提出，將原有GAN 模型的輸入由隨機噪點改為圖片，并將輸入圖片與生成結果一起輸入判別器，最終實現從圖像到圖像的學習過程[16]。

本研究構建的基于Pix2Pix 實現小學校園總平布局生成的主要流程：

（1）小學總平布局解析：解析小學校園總平面布局的基本組成部分與特點；

（2）構建數據庫：收集和篩選小學校園案例，結合總平布局特點進行樣本標注，構建小學校園總平面數據庫；

（3）模型建構：利用構建的數據庫劃分出來的訓練數據集訓練一個Pix2Pix 模型，實現校園總平布局生成；

（4）實驗測試：利用構建的數據庫劃分出來的測試數據集測試訓練好的模型，對輸出數據進行定性與定量相結合的分析，評價Pix2Pix 模型的訓練效果。

2.1 小學總平布局解析

小學校園的總平布局設計是整個方案設計過程中極為重要的一步（圖1），需要綜合考慮學校辦學規模要求、各功能區使用需求與相互關系、交通流線等多種因素，合理安排校園各主要功能區位置，從而實現對資源高效合理的利用，并為進一步的深化設計奠定重要基礎。

1 小學校園方案設計流程圖

小學校園的基本功能區主要包括由各種教學用房（教學樓、實驗樓、辦公樓等）組成的教學區；由各種體育場、球類場地、體育館、游泳館等組成的體育活動區；由學生宿舍、食堂等組成的生活區、綠化景觀區等[17]。在進行總平布局設計時，應以滿足師生教學活動及管理需求為原則，結合學校用地條件與各區的功能特點、物理環境要求、流線組織關系以及相關設計規范法規等對校園主要出入口和主要功能區進行合理安排和組織（圖2）。

2 中小學主要功能區關系簡圖

2.2 構建數據庫

2.2.1 數據篩選

樣本數據的收集與標注是機器學習研究的基礎。小學校園總平設計樣本來自政府建設公告官網、各建筑設計網站以及建筑雜志與書籍等多種媒介，需要對收集到的樣本按一定的數據篩選規則進行篩選（圖3）?？紤]到氣候、地形地貌以及經濟發展水平等條件對總平布局的影響，樣本來源集中在具有相似的氣候區、地形條件和開發建設強度的設計案例中，以減少不必要的樣本方差從而保證模型訓練效果。按篩選要求共收集到302 個小學校園總平設計樣本。

3 樣本數據篩選規則示意

2.2.2 數據處理與標注

收集到的樣本需要進一步統一比例和標注方式用于模型訓練。首先以標準籃球場作為換算統一比例的基準，將所有樣本比例調整為1:1800 放在240mm×240mm 大小的白色背景圖像上。然后使用不同的RGB 色塊來表示周邊道路、用地范圍、不同的功能建筑、運動場以及主要出入口（圖4）。

4 用不同RGB色塊表示的用地條件標簽和布局標簽（1-4繪制：林文強）

2.3 模型建構

2.3.1 模型架構

根據目前樣本的特點和規模以及從圖像到圖像的生成任務，我們采用基于cGAN 的Pix2Pix 作為小學校園總平布局生成的基本模型[16]。Pix2Pix模型中，生成器采用U-net 架構[17]，判別器采用PatchGAN 架構[18]（圖5）。

生成器（圖5，紅框所示）：生成器采用了16層卷積神經網絡（CNN）的U-Net 結構，每層網絡的神經元個數分別為64,128,256,512,512,512,512,512,512,512,512,512,256,128,64,3，下采樣的卷積核與上采樣的反卷積核的大小均設置為4，步長均設置為2，這使得生成器的輸入與輸出均為相同的大小（256×256），輸入的圖像先通過前半部分的卷積層進行關鍵信息提取，然后通過后半部分反卷積將提取到的信息轉譯為布局生成，通過淺層的特征圖短接到相應大小的反卷積層，能夠使生成的布局圖像更好地保留場地形狀、大小和附近主干道信息等約束條件。

判別器（圖5，綠框所示）：判別器采用了5 層的卷積神經網絡結構，每層卷積網絡神經元個數分別為64,128,256,512,1，判別器的輸入為生成器生成的圖像并接上生成器的輸入圖像，即需要判別真假的布局圖像和場地條件圖像。網絡的最后輸出為單通道32×32 的取值為0-1 的真假預測圖，預測圖上的每個數值對應判別器輸入圖像的相應位置上的70×70 大小圖像分塊的真假程度，取值接近0 說明判別器認為生成布局圖像上該圖像分塊的生成效果不佳，取值為1 則說明判別器認為該圖像分塊的生成效果接近真實布局圖像。

2.3.2 模型訓練與測試

模型訓練：Pix2Pix 模型訓練會同時使用生成器與判別器；損失函數采用二分類常用的交叉熵損失，用于度量判別器上每個相應圖像分塊上真假分類的損失；模型優化采用Adam 優化器進行。在訓練過程中，我們會隨機抽取15%的數據集樣本作為測試集（45 個），其余樣本作為訓練集（257 個）。模型會將所有的樣本對學習一次，一個完整的周期稱為一次迭代，為了讓生成對抗網絡進行充分學習。在參數設置方面，我們把epochs 設為2000，迭代優化次數設為2000 次。由于GAN 訓練的不穩定性，初始學習率設置為較小的0.0002，在前600 次迭代保持初始學習率；在第600 次迭代后采用線性學習率衰減策略，每過100 個迭代學習率衰減為之前的0.1，優化器動量參數設置為0.5。迭代過程中算法會利用訓練數據不斷優化模型權重值，減少輸出圖像與真實圖像之間的損失值，從而使生成圖像越來越逼近真實圖像。

模型測試：當模型訓練完成后，在具有U-net架構的生成器中輸入為帶有用地形狀和周邊道路標注的圖片，就能獲得輸出為相應地條件下的總平布局圖，如圖5 紅框所示。

5 基于cGAN的Pix2Pix模型，包含生成器與判別器（繪制：梁凌宇）

2.4 實驗測試

將訓練集樣本輸入到訓練好的模型中輸出對應的測試樣本，通過對測試輸入（input）、測試輸出（output）與真實樣本（ground-truth）進行對比來分析檢驗模型的生成效果（表1）。從整體上看，雖然大部分的生成結果與真實樣本并不完全一致，但主要出入口的選擇、功能布局關系等基本都能符合小學校園的設計要求，均具有很好的總平布局設計合理性，部分生成結果甚至優于真實樣本的設計，如No.301 生成的布局較原有布局更注重教學樓、運動場長軸方向的南北朝向布置，而真實樣本與道路平行布置的方式并不能滿足設計規范的要求；No.296 將校園主要出入口設置在次路上，相比真實樣本來說能更好地避免學校主入口對城市交通的影響?？梢哉f，經過訓練的Pix2Pix 能夠捕捉到用地條件與總平布局之間的映射關系，基本實現了預期的小學校園總平布局生成效果。下面主要從校園出口位置以及功能區關系等方面對45 個測試結果進行統計分析。

表1 訓練集測試的部分生成結果（繪制：林文強）

2.4.1 校園主要出入口位置

中小學校園主要出入口應與市政道路相連，但要盡量避免設置在城市主干道上。首先統計生成結果與真實樣本中主要出入口位置位于不同等級周圍道路的占比情況（圖6），再從建筑設計專業角度進一步分析生成結果整體布局是否合理（搜集樣本時會刪掉設計明顯不合理的樣本數據，因而統計結果是否合理時，將生成結果與真實樣本的主入口一致的視為合理結果，表2）。結果表明，生成結果與真實樣本完全一致的占53.4%，當有兩條或以上的周圍道路時，生成的主入口大部分位于次路，符合小學校園主入口與城市道路關系的一般設計需求。部分不一致的生成結果中有28.8%的測試結果屬于雖不一致但合理甚至更好的情況?？傮w來看，82.2%的生成結果具有合理的主入口選擇。

6 生成結果主入口位置的道路等級情況

表2 主入口選擇結果綜合評價（繪制：林文強）

2.4.2 教學樓與體育館、體育場的布局關系

體育館、體育場屬于小學校園體育區部分，是學生進行體育教學、比賽及運動鍛煉的主要場所，其與教學區的布局關系需要注意噪聲控制方面要求。體育場與教學區的布局關系一般可以分為并列式、環繞式和復合式3 種模式，體育館依據其規模大小與教學區可分為獨立式、串聯式和組合式3 種組織方式。

將生成結果的教學樓與體育館、體育場的布局關系按上述模式進行統計（表3），可以發現有95.6%的生成結果中包含體育館，其中91.2%是獨立式布局，這既符合我們訓練集樣本中大部分體育館的布局模式，也符合一般條件下小學校園的設計思維。全部生成結果都包含體育場，且體育場與教學樓都是并列式布局模式，最大限度地避免相互干擾。

表3 生成結果的教學樓與體育館、體育場布局模式統計表（繪制：林文強）

2.4.3 教學樓朝向與體育場長軸方向

考慮到采光與日照的需要，中小學校的教學樓應盡量爭取南北向布置，或南偏東一定角度。同時，由于地球磁場和太陽眩光等因素影響，《中小學建筑設計規范》也明確提出體育場長軸宜南北向布置，因此教學樓朝向和體育場長軸方向是否滿足南北向布置也是小學布局設計合理性的一個重要評價因素。

通過統計 45 個生成結果、45 個真實樣本以及257 個訓練樣本中教學樓朝向和體育館長軸方向在0°～180°分布情況（表4、圖7），可以發現，相較于真實案例和訓練樣本，生成結果中教學樓和體育場長軸是正南北朝向的占比更大，均超過80%，整體上優于真實案例和其他訓練樣本對設計規范中南北朝向的考慮，具有更好地合理性。

表4 教學樓朝向與體育場長軸方向分布情況統計（繪制：林文強）

7 教學樓朝向和體育場長軸方向分布概率圖（6.7繪制：林文強）

2.4.4 教學樓的噪聲間距

教學樓的噪聲控制分為教學樓樓間噪聲控制和教學樓與室外體育場噪聲控制兩個方面，規范要求間距控制均為不小于25m。樣本庫中教學樓均為單側布房，統一總進深為11m，包括教室8m 和走廊3m，故只需教學樓間距不小于22m 即可滿足噪聲間距要求。教學樓與室外體育場間距核算方式為：當室外體育場在教學樓南側時，室外體育場邊緣與教學樓邊緣最近的垂直距離不小于 22m，當室外體育場在教學樓北側時，則該距離不小于25m（在一般的中小學設計中，對于單側布房的教學樓，考慮到陽光直射的眩光問題，常將走廊布置在南側，教室布置在北側）。

所有 45 個生成結果的噪聲間距統計結果見表5。生成結果中超過90%符合間距控制要求，其中教學樓樓間間距占比為 93.3%，教學樓與體育場間距占比為 95.6%，其中不符合要求的生成結果其間距計算值僅比22m 略小，原因可能在于數據標記過程中的細微誤差以及樣本壓縮過后圖片分辨率過小而導致的統計精度誤差。總體來說，訓練好地模型在教學樓噪聲間距控制方面很好地掌握了設計規范的要求。

表5 生成結果噪聲間距統計結果（繪制：林文強）

2.4.5 功能一致性

進一步對測試樣本的生成結果與原始樣本的功能要素組成是否一致進行統計與分析，原始樣本具有的某功能要素在生成結果中也有的即視為一致，原始樣本具有的某功能要素在生成結果中沒有即視為不一致，統計結果詳見表6。在45 個測試樣本中，教學樓、走廊、體育場3 種功能的生成結果都達到了100%的一致性，體育館的一致性達到93%，其中No.270 和No.273 未生成體育館功能，No.275原始樣本未包含體育館，測試樣本自己生成了體育館功能，且與運動場相鄰。報告廳功能的一致性為51%，其中No.293，No.295 等16 個測試結果未生成報告廳功能，No.296，No.301 等6 個真實樣本沒有而測試結果自己生成報告廳功能，且這些報告廳都與教學樓毗鄰，布局關系具有一定的合理性。整體來看，體育館和報告廳不一致樣本中，生成結果的校園主要出入口位置大部分與原樣本不一致，甚至選在了另一條道路上，部分樣本更強調教學樓的南北向布局而非與道路平行，這些都導致生成結果功能布局與組成和真實樣本有較大差異。此外，用作訓練的302 個樣本本身包含教學樓、連廊、體育場功能要素的樣本占100%，含有體育館功能的樣本有265 個，占比87.7%，而含有獨立報告廳功能的樣本僅102 個，約占33.8%，也一定程度上影響了模型對于該功能的學習效果。

表6 功能要素一致性統計結果（繪制：鄧巧明）

3 結論

本文從設計的邏輯思維過程與機器學習算法模型特點入手，以小學校園總平布局設計為研究對象，探討利用對抗生成網絡實現基于特定用地條件的校園總平布局生成設計的思路與方法。研究結果表明，依據建筑設計專業思維與任務特點構建生成對抗網絡模型能夠獲得更好的總平布局生成效果。

與此同時，我們也看到，在將機器學習方法引入到建筑設計領域的探索中時，既要學習了解計算機領域各種機器學習算法模型的特點與適用領域，也要重視結合建筑學專業自身的特點。在模型構建階段，需要充分結合專業設計特點與任務特點去選擇合適的機器學習模型，構建具有建筑設計邏輯的輸入與輸出數據的映射變換，才能獲得更好的生成效果。在評價訓練后的模型效果時，同樣不能簡單按生成樣本與真實樣本的相似程度判斷結果的好壞，建筑學專業評價有其特殊性，以總平布局為例，相同用地條件與功能需求往往有多個合理的布局設計模式，需要結合專業特點才能對生成結果得出更為全面客觀的評價。

雖然本文構建的思路與方法只能面向特定的小學校園總平布局設計類型，且需要在訓練數據庫的構建中有較多人工，但從生成結果來看，絕大部分案例具有很好的總平布局合理性，甚至部分測試結果優于原有的真實樣本，這讓我們看到了基于數據驅動的機器學習方法在生成設計研究中的潛力和可能性?！?/p>

注釋

1）實驗設備硬件環境：CPU為Intel i7-8700K，GPU為NVIDIA GeForce GTX2080（顯存6G）。實驗代碼采用Pix2pix，代碼運行環境Python版本3.7，系統環境Ubuntu18.04，生成器采用U-net架構，判別器算法采用PatchGAN架構。