LLM 활용 강화 데이터 학습모델 기반 건물 조감도 자동 생성 도구 개발
Development of an Automated Building Visualization Tool Based on a Fine-tuned Model Using LLM-Reinforced Data
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
(연구배경 및 목적) 건축 렌더링 이미지는 건축가와 클라이언트 간의 의사소통을 원활하게 하고 복잡한 설계 아이디어를 효과적으로 전달하는 데 중요한 역할을 한다. 최근 이미지 생성 AI 기술의 발전으로 건축 시각화 분야에 새로운 가능성이 제시되고 있다. 이에 본 연구는 LLM을 활용한 강화 데이터 학습모델을 기반으로 건물 조감도 자동 생성 도구를 개발하고자 한다. 이를 통해, 건축가 스타일을 반영한 이미지 생성과 실시간 렌더링을 지원하여 시각화 과정의 효율성을 높이고, 궁극적으로 설계자들에게 더욱 다양한 디자인 가능성을 제시하고자 한다. (연구방법) 본 연구에서는 LLM(Large Language Model)기반의 강화 데이터 구축 알고리즘을 개발하고, 유명 건축가 스타일에 대한 학습 데이터셋을 구축하였다. 이를 바탕으로 LoRA 방식을 사용하여 건축가 스타일 특화 추가학습 모델을 개발하였다. 본 연구에서는 각 건축가 스타일별로 약 300개의 데이터셋을 구축하여 추가학습을 진행하였으며, 구축된 총 11개의 추가학습 모델은 선행 연구에서 제시된 수동 구축 데이터셋 기반의 모델과 비교하여 성능을 검증하였다. 또한, 이 모델을 실제 3D 건축 설계 모델링 도구와 연동하여 실시간 렌더링을 지원하는 조감도 자동 생성 도구를 구축하였다. 개발된 도구는 다양한 상세도(LoD)의 모델 제작 및 활용을 지원하며, 사용자 친화적인 인터페이스를 제공한다. (결과) 연구 결과, LLM을 활용한 강화 데이터 구축 알고리즘을 통해 효율적으로 데이터셋을 구축할 수 있었다. 이 방법은 기존 수작업 대비 데이터 구축 시간을 건축가당 약 40시간에서 3시간으로 대폭 단축하면서도, 일정 수준 이상의 품질을 유지할 수 있는 것으로 나타났다. 또한, 추가학습을 통해 기존 이미지 생성 AI 모델의 스타일 반영도가 5.2%에서 93.8%로 크게 향상되었으며, 작품 스타일 반영도는 6.4%에서 89.4%까지 개선되어 각 건축가의 특징을 더욱 정확하게 반영한 이미지 생성이 가능해졌다. 개발된 조감도 자동 생성 도구는 LoD 1부터 LoD 3 이상의 3D 모델을 처리할 수 있어, 초기 개념 설계부터 상세 설계까지 전 과정에서 활용 가능할 것으로 나타났다. (결론) 본 연구를 통해 LLM을 활용한 강화 데이터 구축 알고리즘의 효율성, 추가학습을 통한 AI 모델 성능 향상, 그리고 다양한 상세도(LoD)를 지원하는 조감도 자동 생성 도구의 유용성을 확인하였다. 본 연구에서 제안하는 조감도 자동 생성 도구를 통해 사용자들은 건축 설계 분야에서 아이디어 탐색과 실시간 렌더링을 포함한 시각화 작업을 더욱 효율적으로 수행할 수 있을 것으로 사료된다. 하지만, 본 연구는 11명의 건축가 스타일에 한정하여 모델을 구축하였다는 점에서 한계가 있다. 따라서 향후 연구에서는 더 많은 건축가 스타일에 대한 학습 데이터를 확보하고, 모델의 성능을 지속적으로 개선할 필요가 있다. 또한, IP-Adapter 등의 기술을 도입하여 더욱 직관적인 인터페이스를 개발하고, 실증 연구를 통해 실제 설계 현장에서의 활용성과 효과성에 대한 추가적인 검증이 필요할 것으로 사료된다.
Abstract
(Background and Purpose) Architectural rendering images play a crucial role in facilitating communication between architects and clients, effectively conveying complex design ideas. Recent advancements in AI-based image generation technology have introduced new possibilities in architectural visualization. In response, this study aims to develop an automated visualization tool for building exterior based on a fine-tuned model using LLM-reinforced data. Through this tool, the study seeks to support image generation reflecting architects' styles and real-time rendering, thereby enhancing the efficiency of the visualization process and ultimately presenting designers with more diverse design possibilities. (Method) We developed a reinforcement data construction algorithm based on the Large Language Model (LLM), and constructed training datasets for renowned architects' styles using this algorithm. Then, using the Low-Rank Adaptation (LoRA) method, we built fine-tuned models specialized for architects' styles. We constructed approximately 300 datasets for each architect's style, and validated the performance of the total 11 fine-tuned models by comparing them with models based on manually constructed datasets from previous research. Additionally, we integrated these models with 3D architectural design modeling tools to build an automated visualization tool supporting real-time rendering. The developed tool supports the creation and utilization of models with various Levels of Detail (LoD) and provides a user-friendly interface. (Results) The results demonstrated that the reinforcement data construction algorithm using LLM efficiently built datasets. This method reduced the dataset construction time from approximately 40 hours to 3 hours per architect, while maintaining a consistent level of quality. Furthermore, through fine-tuning, the style reflection rate of the existing image generation AI models improved from 5.2% to 93.8%, and the project style reflection rate increased from 6.4% to 89.4%, enabling the creation of images that more accurately reflect the unique characteristics of each architect. The developed automated visualization tool showed the capability to process 3D models ranging from LoD 1 to LoD 3 and above, indicating its applicability throughout the entire design process, from initial conceptual design to detailed design phases. (Conclusions) This study confirmed the efficiency of the reinforcement data construction algorithm, the performance improvement of AI models through fine-tuning, and the usefulness of the automated visualization tool supporting various LoDs. The proposed tool is expected to enable users to perform visualization tasks more efficiently in architectural design, including idea exploration and real-time rendering. However, the study is limited by constructing models for only 11 architects' styles. Future research should secure training data for more architects' styles, continuously improve model performance, develop a more intuitive interface by introducing technologies like IP-Adapter, and conduct empirical studies to verify the tool's practicality and effectiveness in actual design settings.