建筑师在用人工智能做什么? – CDRF2020会议导读

CDRF(Computational Design and Robotic Fabrication)是同济大学从2019年开始举办的国际会议,从名字中就可以看出,会议的主题是计算性设计和数字建造,归属于计算机辅助设计的大方向内。相比于同行业的四大会议(ACADIA, CAADRIA, eCAADe, CAADFutures),同济大学的CDRF代表的是年轻的新生力量,大多数作者是来自国内的研究团体。依附于国内近些年在建筑数字化上的飞速进展,CDRF会议也在逐步赶超其他同行会议,成为主流的国际顶级会议之一。

本期主要介绍的是2020年的CDRF会议上的AI+AD相关文章。会议本来已经于2020年6月成功举办(相关链接请参考文末),但会议论文集直到近期才正式公布( 相关链接请参考文末 ),因此本文一直到现在才发布。

另外,2021年的会议征稿已经发出(相关链接请参考文末),在正文开始前,也是附带介绍一下会议本身,我们先来解读一下今年的征稿启事中有什么值得关注的信息。

CDRF2021征稿启事

首先,会议是全英文进行,论文篇幅大约3000词,具体投稿和会议时间节点请参照上图海报。会议官方的主题分成五大类:计算与生形,模拟与优化,数据挖掘与推演,感知与反馈,物质建造。简单的说,五大主题就是我们所谓的:参数化设计,环境评估,大数据,交互,数字建造。

其中,人工智能几乎可以在所有主题内得到结合,比如辅助建筑设计的过程,或者是生成城市大数据的分析方案。从2020年的会议发文量统计来看,其中大约1/3的文章使用了AI的方法,处理的问题横跨建筑,城市,景观多个领域。所以想必今年的会议,AI这一隐性主题也会是非常火热吧。

那么,以下正文:

设计认知:

Real-Time Defect Recognition and Optimized Decision Making for Structural Timber Jointing (Luo, Gattas, and Tan 2020)

关键词:语义分割,自动化

本文介绍了一种新的方法来改良木材生产过程,减少浪费。作者首先用收集的木材图像和手动标签来训练机器学习模型,以检测一块木头中的缺陷区域。基于分割信息,工厂可以自动生成加工计划来去除缺陷区域。最后,作者还开发一个脚本来重新排列被切割后的木材,以匹配工业用途所需的长度。同时被开发的还有一个用户界面,可以更好地利用整个系统改进木材生产程序。

Images in the process.

A Large-Scale Measurement and Quantitative Analysis Method of Façade Color in the Urban Street Using Deep Learning (Zhang, Fukuda, and Yabuki 2020)

关键词:语义分割,城市分析

本文介绍了一种使用深度学习技术分析城市外观颜色的方法。作者巧妙地使用了PSPNET,用于对自动收集的街景图像进行分割以获取立面区域,从而支持对城市色彩的进一步计算和分析。本文数据收集过程清晰,数据集具有代表性,文献综述丰富,方法和工作流程清楚。

Workflow for façade color collecting and calculating in urban street.

A Performance-Based Urban Block Generative Design Using Deep Reinforcement Learning and Computer Vision (Han, Yan, and Liu 2020)

关键词:强化学习,环境评估

本文介绍了深度强化学习在通过性能指标优化城市街区建筑形式和布局中的应用。在DRL中添加建筑物的操作可以极大地改进先前的方法,并将输入变量设为可变长度。

Alternatives generated by the approach.

Growing Shapes with a Generalised Model from Neural Correlates of Visual Discrimination (Cutellic 2020)

关键词:未知领域的神秘文章。。。

本文介绍了一种使用从个体检测到的脑电图(EEG)信号对形状进行分类的方法。作者首先开发了一种简单的脚本来生成各种形状,其中包含有限数量的参数。然后作者向每个实验对象显示每种形状并记录EEG信号,通过机器学习模型提取可识别的特征。进一步的2D尺寸缩减显示了来自EEG信号和生成形状的特征的相应结果。

Adaptation of the typical RSVP-OP task.

设计生成:

Suggestive Site Planning with Conditional GAN and Urban GIS Data  (Tian 2020)

关键词:GAN,城市生成

本文是一篇标准的GAN文章,介绍了几种数据处理技术和基于图像的神经网络。作者收集了波士顿的GIS数据,并将其转换为图像来表示每个城市街区的建筑布局。然后作者训练了一个GAN模型来学习区块边界和布局之间的映射。

Workflow diagram.

Exploration of Campus Layout Based on Generative Adversarial Network (Liu, Luo, et al. 2020)

关键词:GAN,平面生成

本文介绍了一种基于图像的神经网络GAN用于生成校园建筑布局的方法。对于较为简单的小学设计,作者直接生成布局,而对于较复杂的大学校园设计,作者采用两步生成的技术,先生成区域,然后生成布局。

Selected results from the testing set of the university in step 2.

A Preliminary Study on the Formation of the General Layouts on the Northern Neighborhood Community Based on GauGAN Diversity Output Generator (Pan, Qian, and Hu 2020)

关键词:GAN,平面生成

本文介绍了一种基于GauGAN的神经网络,用于生成地块上的建筑布局。区别于以往的技术比如pix2pixHD,GauGAN允许用户输入边界图片的同时,还支持输入风格图片。GauGAN中的E网络先将图片编码至隐空间,再结合输入图片进入G网络。本质上提供了用户一种生成多种解的方法。

Results.

embedGAN: A Method to Embed Images in GAN Latent Space (Chen, Huang, and Luo 2020)

关键词:GAN,平面生成

本文提出了一种基于embedGAN的编码器,作者将编码器嵌入到传统GAN中,可以基于特定的输入图像提供更可控的结果。神经网络E首先将输入图像转换为隐空间变量z,然后将z输入到生成式神经网络G中以输出图像。这样输出的图像就可以包含输入图像的编码信息。通过将连续的一系列z输入到神经网络G中,可以生成一系列相应的图像,代表了输入图像的不同特征(风格)。本文提出的技术可以应用于生成具有不同特征的建筑图像。

Regenerated images in latent walks. From left to right, the generated image is more like the decorative style of the material.

Machine Learning for Fabrication of Graded Knitted Membranes (Sinke et al. 2020)

关键词:GAN,数值预测

本文介绍了一种基于GAN的神经网络,输入载荷作用下的形变图案来生成对应的织物图案。训练完成的神经网络将具有结构生成的功能,用于生成特定的编织图案。作者首先制造了8块样例编织物,并记录了它们在中心15公斤荷载下的形变量。将输入和输出数据转换为图像后,作者训练了一个GAN模型。虽然后来的预测并不那么成功,但作者对实验及其原因进行了很好的介绍和解释。

The comparison between the ML and D sample knitting pattern samples.

Pipes of AI – Machine Learning Assisted 3D Modelling Design (Liu, Shen, et al. 2020)

关键词:Style Transfer,建筑设计

一篇标准的风格迁移文章。作者将一个建筑体量切割为若干平面图,然后基于二维的风格迁移对每张平面图生成风格化后的图像,并重新在三维空间内建模,实现2.5维的风格迁移。

Translation of all the geometric layers.

Machine Learning Aided 2D-3D Architectural Form Finding at High Resolution (Zhang and Huang 2020)

关键词:styleGAN,建筑设计

本文展示了styleGAN在生成二维建筑截面图并将截面图转换为3D建筑形态中的应用。针对分辨率问题,作者提出了一种方法,用低分辨率图像训练styleGAN,再训练一个GAN模型(PIX2PIX),从低分辨率图像生成高分辨率图像。

Process of multi-level training network.

Artificial Intuitions of Generative Design: An Approach Based on Reinforcement Learning (Wang and Snooks 2020)

关键词:强化学习,体素生成

本文介绍了一种强化学习应用程序,用于在“随机游走”生成设计中寻找最佳解决方案。随机游走算法定义了一种基于体素的生成设计方法。强化学习算法进一步参与该过程,对于给定的奖励函数找到最佳策略。作者还对比了监督学习,无监督学习和强化学习,阐明了使用强化学习处理生成式问题的理由。

Diagram demonstrating the training intention of the Domino system as a type of intuition within the RW generative formation process.

相关链接

会议现场录屏:

https://www.youtube.com/watch?v=AyaqGPakeUA

论文集下载链接:

https://link.springer.com/book/10.1007/978-981-33-4400-6

无界社区mixlab
我还没有学会写个人说明!
下一篇

【分布式限流】你被12306的验证码坑过么?

你也可能喜欢

评论已经被关闭。

插入图片