[论文解读] ActFloor-GAN: Activity-Guided Adversarial Networks for Human-Centric Floorplan Design

Shidong Wang, Wei Zeng+4 more|arXiv (Cornell University)|Nov 5, 2021

Advanced Vision and Imaging参考文献 44被引用 5

一句话总结

ActFloor-GAN 提出了一种用于以人为中心的住宅平面图设计的两阶段 GAN 框架，利用人类活动图作为指导，生成在几何上合理且拓扑结构正确的房间布局。通过整合活动感知监督和重构的循环一致性损失，该方法在平面图生成中实现了更高的准确率和用户可控的多样性，经建筑师验证，其效果可与专业设计相媲美。

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.

研究动机与目标

• 解决生成不仅在几何上合理，而且在人类交互中拓扑上合理的平面图的挑战。
• 将人类活动模式和空间行为整合到平面图生成过程中，提升设计的相关性和可用性。
• 通过允许用户操控家具布局以影响人类活动图和最终布局，实现用户可控的设计探索。
• 通过活动引导的监督，提升深度学习模型在建筑设计布局生成中的泛化能力和可解释性。
• 通过引入统一的、基于活动信息的 GAN 框架，减少对复杂多网络架构的依赖。

提出的方法

• 首先，通过预训练 GAN 自动生成人类活动图，或通过在 2D 界面中手动调整家具实现半自动生成。
• 人类活动图编码了空间行为强度，反映房间功能和互动模式，并用作 ActFloor-GAN 的条件输入。
• ActFloor-GAN 采用重构的循环一致性约束，以增强像素级房间类型预测并提高布局的一致性。
• 该模型在 RPLAN 数据集上进行训练，利用真实世界平面图学习逼真的房间配置和墙体布局。
• 房间布局以像素级方式预测，并通过基于活动密度峰值推导的门位置进行后处理，转换为矢量化平面图。
• 通过重新定位或更改家具类型来改变人类活动图，框架可支持多样化的输出。

实验结果

研究问题

• RQ1 人类活动图能否有效引导生成拓扑和几何上合理的平面图？
• RQ2 与基线 GAN 模型相比，活动引导的监督在像素级房间类型预测准确率方面有何提升？
• RQ3 用户对家具布局的操控在多大程度上能产生多样化且设计相关的平面图变体？
• RQ4 重构的循环一致性约束在多大程度上提升了 GAN 在平面图生成中的性能？
• RQ5 建筑师评估下，生成的平面图质量是否可与专业设计相媲美？

主要发现

• 与 Pix2Pix 和 CycleGAN 等基线模型相比，人类活动图显著提升了预测准确率，尤其在区分相似房间类型（如厨房和浴室）方面表现更优。
• 建筑师评价 ActFloor-GAN 的输出具有令人信服的质量，与专业设计平面图相当，且在布局拓扑方面优于现有方法。
• 该模型通过识别活动密度最高的点成功预测了门的位置，这些点与实际门位置高度相关。
• 尽管性能稳健，模型偶尔仍会混淆房间类型（如主卧、书房、次卧），表明活动图在细微区分上的表示能力有限。
• 在罕见配置（如多个阳台与客厅相连）中出现噪声预测，原因在于训练数据分布稀疏。
• 对人类活动图的修改（如移除或重新定位家具）可导致可预测且有意义的布局变化，但因模型非线性特性，微小扰动未必总产生理想结果。