基于InfoGAN的超高層建筑形體生成式設計研究

摘要：目的：隨著城市化進程的加快，高度集約化的超高層建筑應運而生。在超高層建筑設計過程中，需要綜合考慮眾多因素，如建筑結構、建筑性能、平面布局等，可利用信息最大化生成對抗網絡InfoGAN，使機器自主學習和掌握超高層建筑三維形體信息，以豐富建筑師的設計思路。方法：文章首先提取典型超高層建筑模型并構建高質量的數據庫，為深度學習技術在超高層建筑設計中的應用奠定理論和數據基礎。隨后利用InfoGAN的可解釋性特征進行實驗，生成含三維形體信息的平面圖并進行三維重建，最終得到多樣化的自定義設計方案。結果：通過最大化互信息的方式，實現對無標簽數據的有效利用，生成具有可解釋特征的樣本。這為設計師提供了更多的方向選擇和更大的思考空間，有助于縮短設計思考的時間，提高設計效率。結論：通過基于InfoGAN的建筑形體生成方法，得到更具有可解釋性的建筑形體，能使設計師更清晰地理解生成建筑背后的設計原理和邏輯。

關鍵詞：InfoGAN；超高層建筑；形體生成

中圖分類號：TU972 文獻標識碼：A 文章編號：1004-9436（2024）09-0-04

0 引言

隨著城市的持續擴張，世界范圍內涌現出多個引人注目的標志性超高層建筑，引發了廣泛的學術和公眾討論。二戰結束后，各國進入建設的新時代，科學技術不斷進步，全球人口持續增長，傳統建筑形式在工作、生活等方面已無法滿足需求，隨著材料和結構的進步，超高層建筑逐漸增多［1］。同時，隨著技術的迅速發展，機器在建筑設計中的作用日益凸顯。而深度學習是機器學習的一個重要分支，其在2006年之后迅速發展，并取得顯著的成果［2］。這引發了學者們對其在建筑領域的應用的興趣，為建筑行業的發展帶來了新的思路和機遇。

1 基于人工智能的生成式設計相關研究

由于計算機硬件和軟件的限制，早期機器參與設計的嘗試未取得重大突破。20世紀90年代初，隨著機器學習技術的出現，建筑設計逐步邁向人工智能時代。通過人工智能技術，建筑師和規劃者能夠更準確地分析數據、模擬場景，從而更好地理解用戶需求和空間特征。以往的研究表明，結合人工智能技術生成建筑三維形體的方式按輸入數據類型可分為4類。

1.1 基于二維圖形的生成式設計

基于二維圖形的建筑生成式設計是一種利用計算機視覺和深度學習技術的自動化方法。通過將建筑模型轉換為二維圖像并輸入神經網絡進行訓練，系統能夠生成符合要求的三維建筑設計方案。2010年，斯坦福大學的保羅·梅雷爾等人采用貝葉斯網絡實現住宅建筑布局的自動生成［3］。然而，由于該方法需要大量真實世界的數據，且貝葉斯網絡無法完全捕捉所有復雜關系，生成的布局可能不符合實際需求。2019年，華南理工大學的劉宇波等學者展示了機器學習方法在建筑設計領域的應用潛力，通過淺層神經網絡實現柏林自由大學建筑形體的自動生成［4］。

1.2 基于體素的生成式設計

基于體素的生成式設計指降低建筑模型的精度，應用其體素信息至3dCNN、3dGAN的神經網絡，模型經訓練后可隨機產生類似的低精度的基于體素的建筑模型。2021年，墨爾本皇家理工大學的王大宋等學者提出基于強化學習的體素化建筑形體生成方法，通過獎勵評價可以生成復雜的體素化建筑形體，具有較強的靈活性和實用性［5］。

1.3 基于控制元素的生成式設計

基于控制元素的生成式設計是指將建筑模型的控制點或控制線作為原始數據進行神經網絡訓練，再將生成的數據逆向還原為三維建筑模型的方法。2021年，鄭豪開發了基于曲線控制點的神經網絡，通過傳統參數化建模方法建立3D模型數據庫，以更高的精度和更快的速度生成建筑幾何圖形。

1.4 基于自然語言的生成式設計

基于自然語言的生成式設計將處理后的自然語言作為神經網絡輸入，生成符合描述的平面圖，再通過規則生成三維建筑模型。2020年，賓夕法尼亞大學的張航提出LAFGM模型，其能預測接近文本描述的3D形式，但生成結果仍為平面圖［6］。

1.5 小結

總體來說，建筑界開始關注深度學習算法與生成設計的結合。但研究集中在利用深度學習算法處理圖片、二維戶型平面以及三維維度，以探索智能設計的生成和優化方法［7］。當前的挑戰之一是直接將三維建筑模型信息輸入神經網絡，雖然可以避免信息丟失，但由于硬件限制和數據集不足，效果尚不盡如人意。與此相比，基于圖像的神經網絡已相對成熟，但存在控制性和可解釋性不足的問題。因此本文從上述問題出發，提出一種基于信息最大化生成對抗網絡的三維形體生成方法。

2 基于InfoGAN的三維形體生成方法

InfoGAN通過最大化互信息來獲得可解釋的特征表示，不需要依賴標簽信息，能夠有效解決目標信息不足的問題［8］。相較于普通的生成對抗網絡GAN，InfoGAN在生成器的輸入中引入一個附加參數，即未知的隱變量。通過無監督學習推斷其后驗分布，生成具有可解釋特征的樣本。這種引入隱變量的方式賦予生成樣本一定的可控性和可解釋性，為深度學習任務提供更靈活的特征表示方式。

2.1 超高層建筑典型模型建立

通過對超高層建筑的形體信息進行調研，發現超高層建筑的典型模型需要確定外表皮及內部核心筒兩個層級的信息，各包含形狀和變形手法兩個方面，并確定形體設計參數的閾值。受建筑結構、功能布局等多方面因素的影響，最終可以得到如表1所示的11種典型超高層建筑形體。

2.2 數據集制作

出于對計算機性能和多次重復實驗的考慮，設定整個場地輪廓為48 m×48 m，同時按如下超高層建筑的生成步驟得到總計28 611個樣本。

第一，首先將地塊的中心作為外表皮和核心筒的中心，繪制邊長一定的外表皮邊框和核心筒邊框，從而得到底層的平面圖。

第二，其次，根據設計手法，以40 m為間隔，向上依次繪制對應建筑類型的每一層外表皮的平面圖。具體來說，若設計手法為收縮/放大，須確定在0%～100%范圍內的頂面面積占底面面積的百分比；若設計手法為扭轉，須確定在0°～20°范圍內的相鄰兩層間的順時針旋轉角度。

第三，將底層的外表皮邊框和頂層的外表皮邊框進行放樣，從而得到一個320 m高的超高層建筑的外表皮的三維模型。

第四，同理得到核心筒的三維模型，進而得到完整的包含外表皮和核心筒的三維模型。

第五，將每一層的平面圖分別繪制在一張48×48像素的圖像中，即將地塊中1 m對應1像素，并劃分出48×48個以1像素為單位的方格。將外表皮邊框和核心筒邊框所在的格子設置為白色，外表皮邊框和核心筒邊框中間的格子也設置為白色，剩余設置為黑色，若平面中的邊框與格子邊框重合，那么將其下方或者右方的格子設置為白色，即可得到9張含有平面的二值圖。

第六，最后將9張含各層平面的圖片按從左到右、從上到下的順序以3為單位排列組成一張含9層平面的二值圖。

2.3 平面形式生成

智能體經過2000代訓練后的生成結果如圖1所示。其中，每一列代表一個離散的類別，每一行代表輸入的c2取定值、c1取不同連續值的圖像生成情況。首先觀察不同列，可知圖像被分為11類，與輸入數據的種類數相同，且具體種類情況也符合預期；其次由上到下觀察同一列不同行，可以看出，核心筒的面積隨著c1的變化呈現出逐漸變小的趨勢，因此可以認為c1控制的是核心筒的大小。同時觀察到頂占底面積范圍的0%～100%中為50%，扭轉范圍的0°～20°中角度約為10°，此時可以估計出c2約取定值0.5。同理可以得到c2控制的是圖形設計手法的屬性的變化，即若是扭轉形體則對應扭轉的角度變化，若是縮放圖形則對應頂面面積與底面面積的占比。

2.4 空間形體生成

2.4.1 建筑圖紙預處理

圖像預處理是建筑圖紙識別的重要步驟之一，其準確性和效率直接影響到后續建模和分析的結果。為了保留有用的邊界信息并消除噪聲干擾，需要進行二值化處理，而選擇合適的閾值對保留有用信息至關重要。實踐發現，平面圖的背景顏色在不同訓練階段可能會有所不同，在訓練后期通常趨于穩定，灰度值接近128，若直接將128作為閾值可能導致噪聲干擾過多。為了解決閾值選擇的問題，采用OTSU自適應閾值算法［9］。

2.4.2 基于ResNet的建筑平面功能識別

平面圖中同時包含外表皮和核心筒的框線，這構成整個建筑圖紙的框架信息，因此識別建筑不同功能的框線非常重要?？紤]在識別出平面圖中包含的外表皮和核心筒的框線后，利用其作為約束進而完成對應的三維圖形擬合。而在進行外表皮和核心筒框線的分類時，即使進行降噪，但仍有一定的噪點存在，且生成的對象并不是光滑連續的線條，為實現自動生成，考慮使用ResNet分類模型對這些不同的功能進行分類。一般來說，ResNet是用來進行圖片分類的，但功能分類與圖片分類存在差異，所以需要采取一定的轉化措施，即考慮平面中每一個點屬于核心筒內的點還是外表皮內的點。具體來說，對某一張平面圖，將其中某一個像素改變為紅色，可得到144張含有單紅點的圖，再按照紅點出現的位置，將其分類為核心筒內的點和外表皮內的點，這樣就可以在考慮整體平面信息的同時對點進行分類。

2.4.3 三維形體擬合

最后利用改進的Alpha shape算法對外表皮和核心筒的點陣分別進行擬合得到擬合圖形，從而得到外表皮和核心筒三維模型。由實驗結果表2可以看出，降噪后的建筑圖紙建立的點陣圖形狀較為規整，幾乎沒有偏離整體圖形較大的異常點存在。而由點陣圖經改進的Alpha Shape算法計算擬合得到的超高層建筑三維模型在立面上線條過渡圓滑，平面上也能夠反映核心筒和外表皮的圖形，從而實現精確的三維重建。

3 結語

本文研究建筑領域內基于深度學習進行建筑平面生成的問題，注意到GAN在應用過程無法明確輸入與輸出的關系，導致生成的對象不受控制，具有不可解釋性，因此提出一種基于InfoGAN的建筑生成方法，結果表明通過無監督學習方式得到可解釋的特征表示。同時本文還針對在建筑領域基于深度學習進行建筑形體生成的問題，提出一種將三維的建筑形體信息轉譯為圖片并利用InfoGAN、基于圖形識別的超高層建筑三維重建技術進行建筑形體生成的方法。該方法將InfoGAN網絡生成的含有9個平面信息的建筑圖紙二值化，并利用ResNet分類模型進行建筑功能的劃分，最后基于改進的Alpha Shape算法實現由2D到3D的重建。

參考文獻：

［1］ 張俊婉，李磊，陶卓民.全球摩天大樓時空格局演變及影響因素分析［J］.現代城市研究，2023（6）：75-81.

［2］ 尹寶才，王文通，王立春.深度學習研究綜述［J］.北京工業大學學報，2015，41（1）：48-59.

［3］ 保羅·梅雷爾，埃里克·施庫夫扎，弗拉德倫·科爾圖恩.計算機生成的住宅建筑布局［C］//國際計算機協會. 2010年度亞洲計算機圖形圖像與交互技術大會論文集.首爾：首爾大學工程學院，2010：1-12.

［4］ 劉宇波，林文強，鄧巧明，等.基于神經網絡的建筑形態生成探索：以柏林自由大學為例［C］//全國高等學校建筑學專業教育指導分委員會建筑數字技術教學工作委員會.共享·協同：2019全國建筑院系建筑數字技術教學與研究學術研討會論文集.廣州：華南理工大學建筑學院，2019：9.

［5］ 王大宋，羅蘭·斯努克斯.生成設計的人工直覺：一種基于強化學習的方法［C］//數字未來執行委員會. 2020數字未來論文集：第二屆計算設計與機器人制造國際學術研討會.上海：同濟大學建筑與城市規劃學院，2021：189-198.

［6］ 張航.從文本到形態［C］//國際計算機輔助建筑設計協會.第40屆建筑計算機輔助設計協會年會論文集.上海：同濟大學建筑與城市規劃學院，2020：238-247.

［7］ 馬辰龍，朱姝妍，王明潔.機器學習技術在建筑設計中的應用研究［J］.南方建筑，2021（2）：121-131.

［8］ 程芳芳.基于GAN網絡的無線信道建模方法研究［D］.大連：大連海事大學，2022.

［9］ 曹爽.基于OTSU算法的圖像閾值分割技術［D］.太原：太原理工大學，2018.

作者簡介：陳闖 （1996—），男，研究方向：建筑技術科學。