Gen AI 기반 3D 렌더링 그래픽 평면도 자동 생성
Automated Generation of 3D Rendering Graphic Floor Plan based on Gen AI
2
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
(연구배경 및 목적) 본 연구는 건축 시각화의 자동화에 중점을 두며, 특히 AI 이미지 생성 기술을 활용한 건축 도면의 시각적 표현 형식을 반영한 생성 자동화에 대한 연구를 수행한다. 건축 도면은 역사적으로 전문가와 비전문가 모두에게 설계 정보를 전달하는 데 중요한 역할을 해왔다. 그러나 건축 데이터의 양과 복잡성이 계속해서 증가함에 따라 이러한 도면을 만드는 데 필요한 자원이 점점 더 많아지고 있다. 또한 다양한 의사소통 목표로 인해 도면 데이터의 다양한 시각적 표현 형식이 필요하게 되었다. 최근 대규모 언어 모델 (LLM)을 포함한 AI 이미지 생성 기술의 발전은 혁신적인 이미지 생성 접근방법을 가능하게 한다. 이 연구는 이러한 기술을 도면 생성에 적용하여 설계 시각화에 대한 새로운 접근 방식을 제시하고자 한다. (연구방법) 본 연구에서는 이미지 생성 AI 모델의 생성 성능을 확인하기 위한 테스트를 수행하여 약 10,000개의 도면 이미지를 생성했다. 테스트 결과 생성 대상과 관련된 전문 지식을 일반화하는 것의 중요성과 추가학습을 통한 AI 모델을 구축하기 위한 기술적 방법론의 중요성이 확인되었다. 둘째, 건축 도면과 관련된 전문 지식을 일반화하기 위한 작업을 수행했다. 추가학습을 위한 기술적 방법론은 1) 데이터 준비, 2) 하이퍼파라미터 최적화 3) 훈련으로 세 단계로 분류되었다. 해당 접근 방식은 다양한 도면 생성 시나리오를 통해 적용 가능성이 확인되었다. (결과) 본 연구의 결과물은 연구자가 의도한 의사소통 목표에 부합하는 시각화 스타일을 갖는 건축 도면 이미지를 생성할 수 있는 AI 모델로 구축되었다. 구축된 모델을 기반으로 일반적인 AutoCAD 스타일의 도면을 입력값으로 부동산 등 효과적인 공간 디자인 설계안을 제시하기 위한 3D 렌더링 그래픽 스타일 동일한 구조를 갖는 평면도 이미지로서 새롭게 생성할 수 있게 되었다. 이 도구는 초기 설계 정보의 시각화를 간소화하여 자연어를 기반으로 비전문가와 설계 지식이 제한된 일반인에게도 쉽게 접근 가능하게 한다. (결론) 이 연구는 건축 시각화와 설계 의사소통 분야에서 이미지 생성 AI의 잠재력을 강조한다. 건축 도면 이미지 생성을 자동화함으로써 효율성을 향상시키는 것뿐만 아니라 다양한 사용자를 대상으로 설계 시각화의 범위를 확대한다. 또한 본 연구는 건축 설계가 어떻게 전달되고 이해되는지 재구성하는 데 AI 기술이 중요한 역할을 수행할 수 있다는 가능성을 확인했다. 본 연구는 AI 기반 사용자 중심 설계안 이미지 생성이 가지고 있는 가능성을 보여주며, 건축 설계 분야에서 새로운 접근법을 제시할 것으로 기대된다.
Abstract
(Background and Purpose) This study focuses on the automation of architectural visualization, particularly the research on automated generation reflecting the visual representation format of architectural drawings using AI image generation technology. Architectural drawings have historically played a crucial role in conveying design information to both experts and non-experts. However, as the quantity and complexity of architectural data continue to increase, the resources required to create these drawings are becoming more demanding. Additionally, due to various communication objectives, diverse visual representation formats of drawing data have become necessary. The recent advancements in AI image generation technologies, including Large Language Models (LLMs), enable innovative approaches to image generation. This research aims to apply such technology to drawing generation and propose new approaches to design visualization. (Method) In this study, image generation tests were conducted to verify the generation performance of AI image generation models, resulting in the creation of approximately 10,000 drawing images. The importance of generalizing domain-specific knowledge related to the generation targets and the technical methodology for constructing AI models through additional training were confirmed. Second, tasks were carried out to generalize domain-specific knowledge related to architectural drawings. The technical methodology for additional training was categorized into three steps: 1) data preparation, 2) hyperparameter optimization, and 3) training. This approach was validated through various drawing generation scenarios. (Results) The outcome of this study is an AI model capable of generating architectural drawing images with visualization styles that align with the communication objectives of the researchers. Based on this model, it became possible to create 3D rendering graphics style floor plan images with the same structure as typical AutoCAD-style drawings, using regular AutoCAD-style drawings as input, to present effective spatial design concepts for real estate and other purposes. This tool simplifies the visualization of initial design information, making it easily accessible to non-experts with limited design knowledge, based on natural language. (Conclusions) In conclusion, this research emphasizes the potential of image generation AI in the fields of architectural visualization and design communication. By automating the generation of architectural drawing images, it not only enhances efficiency but also expands the scope of design visualization to a wider range of users. Furthermore, this study highlights the possibility that AI technology plays a crucial role in redefining how architectural designs are conveyed and understood. It demonstrates the potential of AI-based user-centered design concept image generation and is expected to provide new approaches in the field of architectural design.
참고문헌 (29)
- Arjovsky, M., "Wasserstein generative adversarial networks", International conference on machine learning, PMLR, pp.214~223 (2017)
- 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)
- Bodker, S., "Understanding representation in design", Human-Computer Interaction, 13(2), pp.107~125 (1998)
- Brock, A., "Large scale GAN training for high fidelity natural image synthesis", arXiv preprint arXiv:1809.11096, ~ (2018)
- Brown, F. E., "An integrated approach to CAD : modelling concepts in building design and construction", Design studies, 16(3), pp.327~347 (1995)
- Chaillou, S., "Archigan: Artificial intelligence x architecture. Architectural Intelligence: Selected Papers", 1st International Conference on Computational Design and Robotic Fabrication, pp.117~127 (2020), Springer Nature Singapore
- Ching, Francis D. K., "A visual dictionary of architecture" (2011), John Wiley & Sons
- Chiu, M. L., "Collaborative design in CAAD studios : shared ideas, resources, and representations", Proceedings of International Conference on CAAD Future, 95, pp.749~759 (1995)
- Cho, D., "Recognizing architectural objects in floor-plan drawings using deep-learning style-transfer algorithms", 25th International Conference on Computer-Aided Architectural Design Research in Asia, pp.719~727 (2020)
- Do, E. Y. L., "Intentions in and relations among design drawings", Design studies, 21(5), pp.483~503 (2000)
- Eastman, C. M., "BIM handbook : A guide to building information modeling for owners, managers, designers, engineers and contractors" (2011), John Wiley & Sons
- Goetschalckx, L., "Ganalyze : Toward visual definitions of cognitive image properties", Proceedings of the ieee, 2019, 5744~5753
- Goodfellow, I., "Generative adversarial networks", Communications of the ACM, 63(11), pp.139~144 (2020)
- Greenberg, D. P., "Computer graphics in architecture", Scientific American, 230(5), pp.98~107 (1974)
- Ho, J., "Denoising diffusion probabilistic models", Advances in Neural Information Processing Systems, 33, pp.6840~6851 (2020)
- Isola, P., "Image-to-image translation with conditional adversarial networks", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.1125~1134 (2017)
- 조하영, "딥러닝 기반 지역 상업가로의 파사드 디자인 아이덴티티 구별 - 서울 성수동 등 상업가로 로드뷰 이미지데이터 학습모델을 기반으로 -", 한국공간디자인학회 논문집, 18(3), pp.305~314 (2023), 한국공간디자인학회[DOI]
- Kalay, Y. E., "Architecture's new media : Principles, theories, and methods of computer-aided design" (2004), MIT press
- Karras, T., "A style-based generator architecture for generative adversarial networks", Proceedings of the IEEE, 2019, 4401~4410
- LeCun, Y., "Deep learning", Nature, 521, pp.436~444 (2015)
- "ChatGPT: Optimizing Language Models for Dialogue" (2023)[URL]
- Purcell, A. T., "Drawings and the design process : A review of protocol studies in design and other disciplines and related research in cognitive psychology", Design studies, 19(4), pp.389~430 (1998)
- Radford, A., "Unsupervised representation learning with deep convolutional generative adversarial networks", arXiv preprint arXiv:1511.06434, ~ (2015)
- Ramesh, A., "Zero-shot text-to-image generation", International Conference on Machine Learning, pp.8821~8831 (2021)
- Rombach, R., "High-resolution image synthesis with latent diffusion models", Proceedings of the IEEE, 2022, 10684~10695
- Shin, J. Y., "A study on the application of generative AI for representing interior space identity", Proceedings of 2023 Summer Conference of Society for Computational Design and Engineering, pp.224~226 (2023)
- Song, Y., "Generative modeling by estimating gradients of the data distribution", Advances in neural information processing systems, 32 (2019)
- Vaswani, A., "Attention is all you need", Advances in neural information processing systems, 30 (2017)
- Yoo, Y. J., "A Study on the Use of Image Generation AI Based on the Style of Famous Architects", Proceeding of Spring Annual Conference of KHA, 35(1), pp.245~246 (2023)