研究课题
城市布局工作流探讨
基于生成对抗网络(GAN)
A Discussion on an Urban Layout Workflow Utilizing Generative Adversarial Network (GAN)
/1
关键字
Keywords
# 空间邻接模拟 Spatial Adjacency Simulation
# 实体模型 Physical Model
# 响应式设计流程 Responsive Design Process
# 人机协同工作流
Human-machine Collaborative Workflow
# 实时可视化 Real-time Visualization
/2
课题摘要
Abstract
概述自动数据过滤过程、GAN模型训练和协同设计过程的工作流图
基于输出位图颜色信息的GAN模型训练过程和三维模型构建
近年来，深度学习(DL)在城市布局过程自动化方面得到了广泛关注。本研究提出了一种基于规则的生成式对抗网络(GAN)工作流，用于自动选择和标记城市数据集，以训练定制的GAN模型，用于生成城市布局建议。开发后的工作流会自动从开源地图中收集并标记城市类型学样本。此外，它通过标签控制GAN过程的结果，基于协同设计过程，提供实时的城市布局建议。案例研究表明，从自动生成的数据集训练的GAN结果的平均值符合站点的要求。开发的协同设计策略允许建筑师控制GAN过程，并在城市布局上执行迭代。
该研究填补了GAN在城市设计与规划领域应用的研究空白。许多研究表明，通过标记训练(GAN)模型可以使机器学习城市形态特征和城市布局逻辑。然而，目前还存在两个研究空白:(1)人工筛选GAN城市样本数据集以适应特定场地的设计要求非常耗时。(2)如果没有合适的数据标注方法，就很难对GAN过程进行管理，以方便满足覆盖性设计要求。
根据不同输入标准的城市布局生成的比较
Deep Learning (DL) has recently gained widespread attention in the automation of urban layout processes. This study proposes a rule-based and Generative Adversarial Network (GAN) workflow to automatically select and label urban datasets to train customized GAN models for the generation of urban layout proposals. The developed workflow automatically collects and labels urban typology samples from open-source maps. Furthermore, it controls the results of the GAN process with labels and provides real-time urban layout suggestions based on a co-design process. The conducted case study shows that the average value of the GAN results, trained from an automatically generated dataset, meets the site’s requirements. The developed codesign strategy allows the architect to control the GAN process and perform iterations on urban layouts.
The research addresses the research gap in GAN applications in the field of urban design and planning. Many studies have demonstrated that training the (GAN) model by labeling enables machines to learn urban morphological features and urban layout logic. However, two research gaps remain: (1) The manual filtering of GAN urban sample datasets to fit site-specific design requirements is very time-consuming. (2) Without a suitable data labeling method, it is difficult to manage the GAN process in such a manner to facilitate the meeting of overriding design requirements.
/3
课题导师
Tutor
Mr. Zhong
芬兰阿尔托大学 PhD Candidate
西安建筑科技大学 建筑人工智能 a010125 课程导师
新加坡SUTD 博士访问学者
国家基金委全奖博士
意大利米兰理工大学 全奖硕士
Archiford（芬兰）数字空间研究实验室 合伙人
研究领域
建筑人工智能
建筑空间Deep Learning和算法
传统形态学和先进数字建筑计算
...
学术成就
发表论文 第一作者3+篇
Archiford事务所创始人
完成10+海内外落地项目
...
Zhong导师对话 | 传统形态学和先进数字建筑计算，有远见去超越未见→
设计项目合集：
作品解析：
往期 Dr. Section
期刊会议论文部分分享:
声明：本文所用图片源于Dr. Section学员原创项目
相关版权归该论文作者所有
///
更多研究课题，
扫描下方的二维码进行咨询，
///
Dr.Section将继续分享最新的建筑论文
与更多的学术知识，
为有需要的小伙伴提供丰富的资源！
了解更多学术资料详情，
持续关注Dr.Section公众号！
