단독 주택 외관 시각화를 위한 생성형 인공지능기반 건축가 스타일 추가학습 모델 구축 및 활용 방안
Generative AI-Based Construction of Architect’s Style-trained Models and its Application for Visualization of Residential Houses
0
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
설계 과정에서 투시도를 포함한 시각화 자료는 이해관계자 간의 효과적인 의사소통을 지원하는 매개체로써 설계 과정 전반에 걸쳐 반복적으로 필요 하지만, 제작과정에 많은 시간과 자원을 필요로 한다. 이에 본 논문은 시각 화 과정을 간소화하기 위해 생성형 인공지능을 활용한 초기 설계 단계의 건축시각화방법과이를위한추가학습모델구축방안을제안한다.먼저 건축가 스타일을 반영한 단독 주택 외관 이미지를 10,000 여장 생성하여 기존 생성형 인공지능 모델의 성능을 평가하였다. 평가 내용을 바탕으로 인 식률이 낮은 건축가를 학습대상으로 선정하여 해당 스타일에 대한 데이터 셋을 구축하고 추가학습을 진행하였다. 이후 세 가지 시나리오를 통해 추가 학습 모델의 활용법을 시연하였다. 연구 결과, 추가학습을 통해 기존 모델 의성능을효과적으로개선할수있음을확인하였다.또한본연구에서제 안하는 방법론을 통해 사용자는 개인의 요구사항을 학습시킨 맞춤형 모델 을 구축할 수 있으며, 프롬프트 또는 간단한 시드 이미지를 바탕으로 구체 적인 건축 시각화 이미지를 수 초 내에 생성할 수 있다. 따라서, 본 연구는 생성형인공지능기반초기설계대안시각화기술연구에기초자료로활 용될 수 있을 것으로 사료된다.
Abstract
In the design process, visualization materials, including perspectives, play a crucial role in facilitating communication among stakeholders. However, their production requires a significant investment of time and resources. This paper suggests an architectural visualization method based on Generative AI for the initial design phase, incorporating a fine-tuning approach to streamline the visualization process. Over 10,000 residential house images reflecting architects’ styles were generated to assess the existing model‘s performance. Architects with lower recognition rates underwent training after constructing corresponding datasets. Subsequently, we demonstrated the practical application of the fine-tuned model through three scenarios. As a result, it was confirmed that fine-tuning effectively enhances the model’s performance. Moreover, the proposed methodology allows users to build personalized models based on individual preferences and generate architectural visualizations within seconds using prompts or simple seed images. This study would serve as a foundational contribution to further research in Generative AI-based early design visualization technology.
참고문헌 (22)
- 김진성, "딥러닝 기반 실내디자인 스타일 학습모델 구현 및 활용", 한국실내디자인학회 논문집, 29(5), pp.96~104 (2020), 한국실내디자인학회
- 김형준, "효율적인 BIM 모델링을 위한 음성인식 인공지능 활용 방안에 관한 연구", 디자인융복합연구(구.인포디자인이슈), 17(1), pp.1~16 (2018), 디자인융복합학회(구.한국인포디자인학회)[DOI]
- 조단규, "평면 스케치 딥러닝 학습모델 구축과 공간디자인 활용 - 평면 스케치 인식 기반 설계초기 BIM 모델 자동생성 모듈 개발 중심으로 -", 한국공간디자인학회 논문집, 16(3), pp.365~374 (2021), 한국공간디자인학회[DOI]
- Atilola, O., "The effects of representation on idea generation and design fixation : A study comparing sketches and function trees", Design studies, 42, pp.110~136 (2016)
- Azhar, S., "Building Information Modeling(BIM) : Trends, Benefits, Risks, and Challenges for the AEC Industry", Leadership and Management in Engineering, 11(3), pp.242~252 (2011)
- Castro, M. L., "Artificial intelligence applied to conceptual design. A review of its use in architecture", Automation in Construction, 124, pp.1~30 (2021)
- Goodfellow, I., "Generative adversarial nets", Advances in neural information processing systems, 27 (2014)
- Greenberg, D. P., "Computer graphics in architecture", Scientific American, 230(5), pp.98~107 (1974)
- Ho, J., "Denoising diffusion probabilistic models", NeurIPS, 33, pp.6840~6851 (2020)
- Janiesch, C., "Machine learning and deep learning", Electron Markets, 31, pp.685~695 (2021)
- Eastman, C. M., "Building Product Models: Computer Environments, Supporting Design and Construction" (1999), CRC Press
- Kunze, A., "Visualization and Decision Support Tools in Urban Planning" (2012), Springer
- 천수경, "AI를 활용한 한국 건축의 발전 가능성 연구 - StyleGAN을활용한 뉴 타이폴로지 제안-", 대한건축학회 춘계 학술발표대회 (2022)
- Chiu, M. L, "Collaborative design in CAAD studios: shared ideas, resources, and representations", Proceedings of International Conference on CAAD Future, pp.749~759 (1995)
- David, A., "Integrating Virtual Reality with 3D Modeling for Interactive Architectural Visualization and Photorealistic Simulation: A Direction for Future Smart Construction Design Using a Game Engine", Second International Conference on Image Processing and Capsule Networks, pp.180~192 (2022)
- Hu, E. J., "Lora : Low-rank adaptation of large language models", arXiv preprint arXiv:2106.09685, ~ (2021)
- Oppenlaender, J., "The Creativity of Text-to-Image Generation", Proceedings of the 25th International Academic Mindtrek Conference, pp.192~202 (2022)
- Ramesh, A, "Zero-shot text-to-image generation", International Conference on Machine Learning, pp.8821~8831 (2021), PMLR
- Rombach, R, "High-resolution image synthesis with latent diffusion models", Proceedings of the IEEE, 2022, 10684~10695
- "DALL-E 2"[URL]
- "Midjourney"[URL]
- "Stable Diffusion"[URL]