機器之心編譯
參與：Jamin
在房屋設計耗時耗力的大環境下，如何才能使得建築和房地產行業有效的降低建築和房地產行業的設計成本？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，能夠在給定真實建築約束下，生成 CAD 級別的房屋幾何佈局，從而幫助建築師進行房屋設計。
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，多數人都傾向於舒適安全的環境。同時，在合理預算範圍內儘量滿足所有功能層面的需求是非常具有挑戰性的。在此情況下，只有小部分的業主有足夠的預算去聘請專業的建築師進行房屋設計。
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，建築師和客戶很多時候只能在戶型的設計質量上妥協。
總的來說，建築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係；
繪製對應的房屋平面圖並獲取用戶的意見反饋；
修改氣泡圖；
反覆迭代上述過程。
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、建築、室內設計等相關行業也具有非常可觀的發展前景。
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佈局自動生成問題，以氣泡圖作為輸入，並生成各種與現實匹配的房屋佈局圖。氣泡圖由具體的圖形表示，其中：
使用節點對房間類型進行編碼；
使用其邊緣對相鄰空間進行編碼。
而房屋的佈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 進行平面佈置圖的設計，系統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佈局，同時建築師再將佈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，其生成器和鑑別器建立在一套關係架構之上。主要思路是將編碼約束至其關係網絡的圖結構中。目前團隊已經演示了面向新房屋佈局生成方向的架構，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係的房間數量和類型）並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佈局的質量：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於現有方法和標準。
效果是什麼樣的？
如上圖所示，研究團隊數據集採樣中的氣泡圖以及房屋佈局圖。
多樣性的評估：從同一氣泡圖生成的房屋佈局作為示例。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，並將房間的節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。）
什麼是 House-GAN？
House-GAN 本質上是一個關係生成對抗網絡。其核心是團隊所提出的關係生成器和鑑別器，其中輸入的圖約束會被編碼至關係網絡的圖結構中。值得注意的是，團隊採用了 Conv-MPN，與 GCN 的不同之處在於，在設計空間中節點存儲了特徵量並且用卷積更新特徵。
房屋關係佈局生成器（頂部）和鑑別器（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，之後以每個房間軸對齊的形式生成房屋佈局圖。氣泡圖以圖像形式表示，其中節點表示房間類型，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，並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於 8 像素）。
輸入圖：給定一個氣泡圖形成 Conv-MPN，其關係結構圖與氣泡圖相同。研究者為每個房間生成一個節點，並使用從正態分佈中採樣的 128-d 噪聲向量進行初始化，並與 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 將特徵作為 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）特徵量 g l = 1 r。（l = 1）表示該特徵適用於第一個 Conv-MPN 模塊，而該模塊將被採樣兩次，以便在隨後的 g l = 3 r 中變為（32×32×16）特徵量。
Conv-MPN /上採樣：Conv-MPN 模塊通過卷積消息的傳遞從而更新房間智能特徵量圖 [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彙總池特徵；2）在未連接的房間之間會連接彙總池的功能；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）將特徵上採樣擴充至 2 倍，同時保持通道數。生成器上具有兩輪 Conv-MPN 和上採樣，使得最終特徵量為 g l = 3 r 的大小（32×32×16）。
輸出佈局：共享的三層 CNN 將特徵量轉換為大小為（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鑑別器。在測試時，房間蒙版（tanh 函數的輸出範圍為 [-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佈局。
實驗結果
從現實實用性角度來看，團隊對 12 名研究生和 10 種專業建築師進行了調研。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採樣的 6 種類型的佈局圖，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。
對於每對方法，團隊將兩種維度的得分進行了比較，計算它們的平均得分，並取其差值。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，不管是學生還是建築師都將 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。
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。
