Details

Данная исследовательская работа посвящена анализу и применению модели генерации изображений cGAN «Условная генеративно-состязательная сеть» для создания архитектурных решений планов этажей. Особое внимание в работе уделяется использованию генеративных моделей в архитектуре, с учётом нормативных требований к проектированию и пространственной организации. Основной целью исследования является реализация модели cGAN для генерации архитектурно-планировочных решений квартир на основе референсных планов, используемых на этапах обучения и генерации изображений. В ходе исследования были решены следующие задачи: 1. Aнализ существующего опыта использования генеративных моделей GAN, языков программирования, а также критериев формирования жилых пространств и нормативных требований; 2. Определение и интерпретация модели cGAN, а также рассмотрение общих характеристик её применения в генерации изображений и создание базы данных для этапа обучения; 3. Реализация модели cGAN, анализ полученных архитектурно-планировочных решений квартир и их сравнение с другими генеративными моделями, представленными на рынке. Научная значимость исследования заключается во внедрении новых методов моделирования, позволяющих специалистам в области архитектуры ускорить выполнение повторяющихся и механических процессов при разработке архитектурно-планировочных решений квартир. В процессе исследования была сформирована база данных (референсные изображения), состоящая из входных и выходных данных (Input и Output), в общем объёме 400 изображений, необходимых для этапа обучения генеративной модели. Также было установлено, что подобные модели требуют значительных вычислительных ресурсов, в частности большого объёма видеопамяти (не менее 16 ГБ VRAM) и графического процессора уровня RTX 3060 или выше. В качестве альтернативы данной проблеме могут использоваться облачные вычислительные среды, такие как Google Colab или Kaggle, предоставляющие бесплатные инструменты для программирования. В результате работы было выявлено, что модель cGAN способна генерировать архитектурные решения с логически выстроенной пространственной организацией и сохраняет высокую степень соответствия целевым изображениям. Демонстрируя, что генеративные модели всё чаще представляют собой новую альтернативу в разработке архитектурных решений, и что эти модели могут адаптироваться под индивидуальные цели каждого проекта, а не только под генерацию креативных изображений.

The study places emphasis on the use of these generative models in architecture, considering regulatory design criteria and spatial distribution principles. The main objective of the research is the implementation of the cGAN (Conditional Generative Adversarial Network) model for the generation of architectural and planning solutions for apartments, based on reference floor plans used during the training and image generation stages. The tasks addressed during the study include: 1. Analysis of experiences related to the use of GAN generative models, programming languages, and criteria for habitable spaces and regulatory requirements. 2. Definition and interpretation of the cGAN model and its general characteristics in image generation, as well as the creation of a dataset for the training stage. 3. Implementation of the cGAN model, analysis of the obtained architectural and planning solutions for apartments, and comparison with other generative models available on the market. The importance of the study lies in the implementation of new modeling methods, which allow architecture professionals to accelerate repetitive and mechanical processes in the development of architectural and planning solutions for apartments. During the research process, a dataset (reference images) known as Input and Output was created (a total of 400 images), which is essential for training a generative model. It was also observed that these generative models require high computational capacity, specifically large amounts of memory (at least 16 GB of VRAM) and GPUs such as an RTX 3060 or higher. However, as an alternative to this limitation, cloud-based environments such as Google Colab or Kaggle are available, which provide free programming platforms. As a result of the work, it was proved that the cGAN model is capable of generating designs with coherent spatial logic in the distribution of spaces, while maintaining fidelity to the target images, demonstrating that generative models increasingly present themselves as a new alternative in the development of architectural designs, and that these models can also be tailored to the individual objectives of each project, not only to the generation of creative images.