哈佛建筑系学霸开发设计神器ArchiGAN，一键完成室内设计

有一只AI，给它打开门，再给一扇窗，它就能帮你规划出整间公寓。

就像这样，黑笔画空间，绿笔涂出口，红笔绘窗户。

哪怕没有设计知识，只是胡乱瞎画几笔，AI也会努力给出合理的布局：

^{▲量子位随手画}

实时调整，也没有问题：

这就是法国小哥 Stanislas Chaillou 产出的一只设计GAN，名字叫ArchiGAN。

精致公寓，一键生成，天天苦熬设计图的工程师们生产力解放有望。

你以为这又是专业炼丹大师杰作？no，no，no~

这位Stanislas Chaillou小哥并不是一位专职的程序猿，他的主业其实是建筑设计。他在哈佛大学拿到了建筑学硕士学位，是名副其实的学霸。

^{▲帅气的学霸建筑师}

真是不会炼丹术的程序猿不是好建筑师啊。

专业加持，难怪ArchiGAN不仅看起来好玩，还很务实，在规划时甚至还考虑到了承重墙的设计是否实用。

这样一个有设计天赋的GAN，其效果好到TensorFlow官方等都忍不住转发，推特收获上千赞，不少网友大呼“Amazing”。连谷歌大脑研究员David Ha都称赞道：

这是对pix2pix的绝妙应用。

但它的效果还远远不止如此。

五大功能，一键实现

作为一只设计师GAN，ArchiGAN能够实现五种功能。

功能一：立体规划，全面布局

ArchiGAN不仅能设计单层公寓的建筑结构，还能实现整个公寓大楼的建筑设计。

每一层还都能实现不一样的布局，而且不会出现这家的出口开在隔壁家墙上的窘境。

整栋公寓，从上到下，楼梯门窗，ArchiGAN都安排得明明白白，每一户的家具摆设还不带重样，太有工匠精神了～

功能二：户型随意DIY

有一个自己设计的房子的梦想，现在就可以实现了。

屋门在哪，窗户是一小块还是整面墙都能欣赏外面的美景，厨房是不是开放式，客厅能不能大到可以容下一套VR游戏设备……

所有这些期望与幻想，你都可以通过简单的涂抹操作来实现。

黑色地面，绿色是门，红色是窗户，拿起画笔轻轻一图画上几个矩形的块块，屋子的构造立刻就出来了。

功能三：家具也能自动码放好

正如开头展示的那样，ArchiGAN还能规划你家里的家具应该如何摆放，还能显示摆上之后的整体效果。

我们用不同的颜色展示不同的房间，绿色代表客厅，粉色代表卧室，紫色为洗手间，蓝色为走廊，青色是厨房，橙色为衣柜。

当上面的平面图生成之后：

模型还能更近一步，根据房间功能的不同，规划好整个房间的家具摆设，就像下面这样：

细看可发现，卧室中的床、 客厅中的沙发和茶几、浴室中的洗手台等已配备好了。

你以为这就是ArchiGAN的全部实力了？

非也。

作者表示，ArchiGAN看似高度受限，其实却具备极大的灵活性，不仅能设计形状规则的公寓的内部构造，对于造型不规则的空间也设计得挑不出毛病，此为其功能四也。

看看不规则的X边形系列：

三角形、扇形、圆形、云朵形甚至对话框形，都能生成……

也就是说，只有你想不出的形状，没有它设计不了的布局。

潜力也不会止步于此，作者表示，这ArchiGAN的第五个功能， 就是可用于整个建筑群/社区的规划。

来看效果：

这个环状的建筑和福建的客家土楼还有些神似~

研究人员表示，这些效果都证明了GAN在建筑领域的潜力，但目前ArchiGAN还有一定的局限性，主要分为三点。

一是在设计多层公寓中每一层的布局时，每一层的设计都有所不同，现在还无法保证承重墙的设计是否合理。

二是当前产出的图像清晰度有限。研究人员表示希望增加输出层的size，外加英伟达后续开发的Pix2Pix HD，再借助TensorRT增强算力实现这一目标。

局限性之三体现在生成数据的格式上，目前智能生成的输出文件是非矢量格式，建筑师和设计师不能直接拿来用。

从作者自述的三点的局限性也能看出，构建这个ArchiGAN模型时，实用性是他们首要考虑的因素，能否真正帮到设计师和建筑师，才是最重要的。

多么踏实朴素的研究呀！用这种方法生成公寓，其实只需要3步↓↓↓

三步生成公寓

ArchiGAN主要采用了Pix2Pix图像转换技术，模型在谷歌云端平台上训练，采用英伟达的Tesla V100 GPU进行快速迭代和测试。

Pix2Pix使用条件生成对抗网络（cGAN）来学习从输入图像到输出图像的映射。所以ArchiGAN是直接从建筑平面图中学习拓扑特征和空间组织的。

Chaillou通过格式化图像来控制模型学习的信息类型。比如，只给模型展示地块的形状，以及地块所包含的建筑面积。

这就是典型的训练结果。训练这样的序列花费了一天半的时间。为了进行更多次测试和迭代，模型最终在谷歌云的V100上跑了不到两个小时。

虽然一开始模型不太精确，但在250次迭代之后，机器形成了某种直觉。

ArchiGAN功能的实现要分成三步走，每一步都负责工作流中特殊的一部分任务。

模型一：平面布局（Footprint）量化

建筑的占地面积决定了平面图上的内部结构，它们的形状受到地块形状的限制，也就是说，根据土地的形状能够推断出房屋的平面布局。

于是，Chaillou把波士顿的GIS（地理信息系统）数据投喂给了神经网络，训练出能够生成房屋平面布局的模型。

喂食的图像都是成对的，既有原始地块（左），又有绘制上了给定建筑物的相同地块（右），就像这样：

模型二：空间规划

模型二的主要工作是重新分区和开窗。

作为输入的是模型一生成的建筑平面面积，以及用户指定的入口和窗口位置。

空间规划模型是用800+公寓图纸喂大的，这些图纸同样是成对的，包括公寓的平面面积和其中实际的空间划分。

模型用不同的色块来表示房间的不同功能。

小优惊的是，GAN在训练过程中学会了自己开窗。除了用户指定的主窗，它还能自主规划出新的出口。

模型三：家具布局

房间分好了，ArchiGAN表示这还不够，贴心的设计师怎么能不往房子里摆家具呢？

依然是成对的图像，房间的颜色被映射到适当的家具布局上。

这个模型能够保留墙壁的结构和房屋的门窗，同时根据房间的功能来置放合适的家具。

以上，建筑师可以在任两步之间对模型进行修改或微调，以实现人机交互。

学霸其人

Stanislas Chaillou出生于巴黎，本科就读于瑞士洛桑联邦理工学院。

在建筑领域，Chaillou小有成绩，在2017年获得了耶鲁、哈佛、纽约时报等机构联合评选的美国建筑奖（ American Architecture Prizes），2018年又获得了建筑大师奖（Architecture Masterprize）。

Chaillou可谓学业和事业双丰收，研究生还未毕业之时，就已经在知名建筑事务所实习，比如芝加哥Adrian Smith & Gordon Gill，东京的Shigeru Ban Architects等。

此外，Chaillou还担任非盈利跨学科智库CitiX Initiative的执行董事，关注智慧城市的建设。

^{版权声明：本文版权归原作者所有，如有侵犯您的权益请及时联系，我们将第一时间删除。}

^{投稿邮箱：contact@landscape.cn}

^{项目咨询：18510568018（微信同号）}