機器之心編譯
參與：Jamin
在房屋設計耗時耗力的大環(huán)境下，如何才能使得建筑和房地產行業(yè)有效的降低建筑和房地產行業(yè)的設計成本？本文介紹了一種房屋平面設計自動生成方式，旨在不久的未來，能夠在給定真實建筑約束下，生成 CAD 級別的房屋幾何布局，從而幫助建筑師進行房屋設計。
項目鏈接：https://ennauata.github.io/housegan/page.html
論文鏈接：https://arxiv.org/abs/2003.06988
圖約束生成對抗網絡
房屋對大多數人來說是一個重要的選項，多數人都傾向于舒適安全的環(huán)境。同時，在合理預算范圍內盡量滿足所有功能層面的需求是非常具有挑戰(zhàn)性的。在此情況下，只有小部分的業(yè)主有足夠的預算去聘請專業(yè)的建筑師進行房屋設計。
而另一方面，房屋設計是一個昂貴且耗時的迭代過程，在有限的時間和預算成本下，建筑師和客戶很多時候只能在戶型的設計質量上妥協(xié)。
總的來說，建筑戶型設計是一件十分耗費時間成本的工作。一個標準的設計流程是：
起草一個「氣泡圖」(bubble diagram) 來顯示房屋的房間數量，類型以及房間之間的連接關系；
繪制對應的房屋平面圖并獲取用戶的意見反饋；
修改氣泡圖；
反復迭代上述過程。
所以，如果房屋平面設計圖可以自動化生成，則可以有效的緩解這一系列難題，同時在房產、建筑、室內設計等相關行業(yè)也具有非?？捎^的發(fā)展前景。
而此次介紹的研究所提出的 House-GAN 模型在一定程度上解決了這一問題。
本文研究的是一種全新的房屋布局自動生成問題，以氣泡圖作為輸入，并生成各種與現實匹配的房屋布局圖。氣泡圖由具體的圖形表示，其中：
使用節(jié)點對房間類型進行編碼；
使用其邊緣對相鄰空間進行編碼。
而房屋的布局則表示為一組軸向對齊的房間邊界框（可參考圖 2）。
圖 2：使用 House-GAN 進行平面布置圖的設計，系統(tǒng)的輸入是一個氣泡圖，它已編碼了高級結構體系的約束。House-GAN 學會在氣泡圖約束下生成一系列逼真的房屋布局，同時建筑師再將布局圖轉換為真實的平面圖。
簡而言之，此項研究提出了一種新的圖約束生成對抗網絡，其生成器和鑒別器建立在一套關系架構之上。主要思路是將編碼約束至其關系網絡的圖結構中。目前團隊已經演示了面向新房屋布局生成方向的架構，其核心目的是將房屋架構約束為圖形（例如具有空間鄰接關系的房間數量和類型）并生成一組軸之間對齊的房屋邊界框。
團隊使用了三個指標來衡量生成的房屋布局的質量：真實性，多樣性和與輸入圖約束的兼容性。同時對 117,000 張真實平面圖像進行了定性以及定量評估，結果表明研究所提出的方法優(yōu)于現有方法和標準。
效果是什么樣的？
如上圖所示，研究團隊數據集采樣中的氣泡圖以及房屋布局圖。
多樣性的評估：從同一氣泡圖生成的房屋布局作為示例。House-GAN 顯示了種類最多的多樣性變化。
兼容性的評估：研究團隊固定了噪聲矢量，并將房間的節(jié)點及其關聯邊緣進行依次添加。（多樣性及兼容性的對比在第三部分有說明，詳細信息可參考原文。）
什么是 House-GAN？
House-GAN 本質上是一個關系生成對抗網絡。其核心是團隊所提出的關系生成器和鑒別器，其中輸入的圖約束會被編碼至關系網絡的圖結構中。值得注意的是，團隊采用了 Conv-MPN，與 GCN 的不同之處在于，在設計空間中節(jié)點存儲了特征量并且用卷積更新特征。
房屋關系布局生成器（頂部）和鑒別器（底部），其中 ConvMPN 是核心架構。
生成器獲取每個房間的噪聲矢量和氣泡圖，之后以每個房間軸對齊的形式生成房屋布局圖。氣泡圖以圖像形式表示，其中節(jié)點表示房間類型，而邊緣表示空間鄰接。更進一步講，每個房間會生成一個矩形，并且兩個具有邊緣的房間必須在空間層面相鄰（例如曼哈頓的距離應小于 8 像素）。
輸入圖：給定一個氣泡圖形成 Conv-MPN，其關系結構圖與氣泡圖相同。研究者為每個房間生成一個節(jié)點，并使用從正態(tài)分布中采樣的 128-d 噪聲向量進行初始化，并與 10-d 房間類型向量-→tr（獨熱編碼）進行連接。r 是房間的索引。結果是 138-d 向量?→gr：
Conv-MPN 將特征作為 3D 張量存儲在輸出的設計空間中。研究員應用共享的線性層將-→gr 擴展為（8×8×16）特征量 g l = 1 r。（l = 1）表示該特征適用于第一個 Conv-MPN 模塊，而該模塊將被采樣兩次，以便在隨后的 g l = 3 r 中變?yōu)椋?2×32×16）特征量。
Conv-MPN /上采樣：Conv-MPN 模塊通過卷積消息的傳遞從而更新房間智能特征量圖 [26]。更精確地講，團隊通過以下方式更新 g l r：1）圖中連接的各個房間之間有一個匯總池特征；2）在未連接的房間之間會連接匯總池的功能；3）應用 CNN：
N（r）和 N（r）分別表示已連接和未連接的房間集。團隊使用轉置卷積（內核= 4，步幅= 2，填充= 1）將特征上采樣擴充至 2 倍，同時保持通道數。生成器上具有兩輪 Conv-MPN 和上采樣，使得最終特征量為 g l = 3 r 的大?。?2×32×16）。
輸出布局：共享的三層 CNN 將特征量轉換為大小為（32×32×1）的房間分割蒙版。分割蒙版的圖形將在訓練期間傳遞給鑒別器。在測試時，房間蒙版（tanh 函數的輸出范圍為 [-1，1]）而閾值設置為 0.0，團隊為每個房間擬合了最緊密的軸對齊矩形從而生成房屋布局。
實驗結果
從現實實用性角度來看，團隊對 12 名研究生和 10 種專業(yè)建筑師進行了調研。每一個受訪者都對比了以五種不同的方式從真實生活中所采樣的 6 種類型的布局圖，同時將這 6 種類型進行兩兩對比，形成 15 種對比組合，共計 75 次對比。
表 3 顯示 House-GAN 擁有了最高的總用戶評分。
圖 5 顯示了成對的比較結果。
對于每對方法，團隊將兩種維度的得分進行了比較，計算它們的平均得分，并取其差值。如果受訪者總是對一種方法選擇「更好」，則差異為 2.0。從另一方面說，如果差異分為 1.0（例如，學生對 GCN 的評分為 12），則表示該方法的一半被評為「better」，一半被評為「equally X」。
事實表明，不管是學生還是建筑師都將 House-GAN 評為除 ground truth 外最為現實的選擇。
圖 6 也同樣定性地支持了相同的結論，House-GAN 效果最優(yōu)。
不僅如此，除了在現實生活中的實用性之外，團隊還根據不同的環(huán)境對模型的「多樣性」「兼容性」進行了多維度的評估，效果非常不錯，感興趣的朋友可以參考論文原文。
