[논문 리뷰] ActFloor-GAN: Activity-Guided Adversarial Networks for Human-Centric Floorplan Design

Shidong Wang, Wei Zeng외 4명|arXiv (Cornell University)|2021. 11. 05.

Advanced Vision and Imaging참고 문헌 44인용 수 5

한 줄 요약

ActFloor-GAN는 인간 중심의 주거용 평면도 설계를 위한 이단계 GAN 프레임워크를 제안하며, 기하학적으로 타당하고 위상적으로 타당한 실내 레이아웃을 생성하기 위해 인간 활동 지도를 가이던스로 사용한다. 활동 인식 보조 및 재구성된 사이클 일致성 손실을 통합함으로써, 이 방법은 우수한 정확도와 사용자 제어 가능한 다양성을 달성하였으며, 전문가 평가자들에 의해 전문가 수준의 설계와 유사한 결과로 검증되었다.

ABSTRACT

We present a novel two-stage approach for automated floorplan design in residential buildings with a given exterior wall boundary. Our approach has the unique advantage of being human-centric, that is, the generated floorplans can be geometrically plausible, as well as topologically reasonable to enhance resident interaction with the environment. From the input boundary, we first synthesize a human-activity map that reflects both the spatial configuration and human-environment interaction in an architectural space. We propose to produce the human-activity map either automatically by a pre-trained generative adversarial network (GAN) model, or semi-automatically by synthesizing it with user manipulation of the furniture. Second, we feed the human-activity map into our deep framework ActFloor-GAN to guide a pixel-wise prediction of room types. We adopt a re-formulated cycle-consistency constraint in ActFloor-GAN to maximize the overall prediction performance, so that we can produce high-quality room layouts that are readily convertible to vectorized floorplans. Experimental results show several benefits of our approach. First, a quantitative comparison with prior methods shows superior performance of leveraging the human-activity map in predicting piecewise room types. Second, a subjective evaluation by architects shows that our results have compelling quality as professionally-designed floorplans and much better than those generated by existing methods in terms of the room layout topology. Last, our approach allows manipulating the furniture placement, considers the human activities in the environment, and enables the incorporation of user-design preferences.

연구 동기 및 목표

• 기하학적으로 타당할 뿐 아니라 인간 상호작용을 고려할 때 위상적으로 타당한 평면도를 생성하는 데 도전하는 것.
• 인간 활동 패tern과 공간적 행동을 평면도 생성 과정에 통합하여 디자인의 관련성과 사용성을 향상시키는 것.
• 가구 배치 조작을 통해 인간 활동 지도와 결과 레이아웃에 영향을 주는 방식으로 사용자 제어 가능한 디자인 탐색을 가능하게 하는 것.
• 활동 유도 보조를 통해 딥 러닝 모델의 일반화 능력과 해석 가능성을 아키텍처 레이아웃 생성 분야에서 향상시키는 것.
• 복잡한 다중 네트워크 아키텍처에 대한 의존도를 줄이기 위해 통합적이고 활동 정보를 반영한 GAN 프레임워크를 도입하는 것.

제안 방법

• 먼저 인간 활동 지도는 사전 훈련된 GAN을 통해 자동으로 또는 사용자가 2D 인터페이스에서 가구를 조작함으로써 반자동으로 생성된다.
• 인간 활동 지도는 공간적 행동 강도를 코딩하며, 이는 실내 기능과 상호작용 패턴을 반영하고, ActFloor-GAN의 조건부 입력으로 사용된다.
• ActFloor-GAN는 픽셀 단위의 실내 유형 예측을 향상시키고 레이아웃의 일관성을 개선하기 위해 재구성된 사이클 일치 제약을 활용한다.
• 모델은 실제 평면도를 기반으로 학습된 RPLAN 데이터셋을 활용하여 현실적인 실내 구성과 벽 배치를 학습한다.
• 실내 레이아웃은 픽셀 단위로 예측되며, 활동 밀도 최고점에서 유도된 문 위치를 기반으로 후처리를 통해 벡터화된 평면도로 변환된다.
• 가구 재배치 또는 유형 변경을 통해 인간 활동 지도를 다양화함으로써 다양한 출력을 지원한다.

실험 결과

연구 질문

• RQ1 인간 활동 지도가 위상적이고 기하학적으로 타당한 평면도 생성을 효과적으로 이끌 수 있는가?
• RQ2 활동 유도 보조는 기존의 GAN 모델 대비 픽셀 단위의 실내 유형 예측 정확도를 얼마나 향상시키는가?
• RQ3 가구 배치 조작이 다양한, 디자인 관련성 있는 평면도 변형을 얼마나 이끌 수 있는가?
• RQ4 재구성된 사이클 일치 제약은 GAN의 평면도 생성 성능을 어떻게 향상시키는가?
• RQ5 전문가 평가자들이 평가했을 때 생성된 평면도가 전문가 수준의 설계와 비슷한 품질을 갖출 수 있는가?

주요 결과

• 인간 활동 지도는 Pix2Pix 및 CycleGAN과 같은 기준 모델 대비 예측 정확도를 크게 향상시키며, 주방과 욕실과 같은 유사한 실내 유형을 구분하는 데 특히 유의미한 개선을 보였다.
• 건축사들은 ActFloor-GAN의 출력 결과를 전문가 수준의 설계와 유사한 뛰어난 품질로 평가하였으며, 레이아웃 위상성 면에서 기존 방법보다 뛰어난 성능을 보였다.
• 모델은 활동 밀도 최고점인 지점을 식별하여 문 위치를 성공적으로 예측하였으며, 이는 실제 문 위치와 강한 상관관계를 보였다.
• 강력한 성능에도 불구하고, 모델은 마스터룸, 스터디, 2층 방 등 세밀한 구분이 필요한 실내 유형을 혼동하는 경우가 있어 활동 지도 표현의 한계를 드러냈다.
• 희귀 구성(예: 거실에 연결된 다수의 발코니)에서는 훈련 데이터 분포가 희박하여 노이즈가 많은 예측이 발생하는 경우가 있었다.
• 가구 제거 또는 재배치 등 인간 활동 지도의 변경은 예측 가능하고 의미 있는 레이아웃 변화를 유도하지만, 모델의 비선형성으로 인해 소규모 변형이 항상 원하는 결과를 낳는 것은 아님을 확인하였다.