Urban-GAN(1)

도시에 적용되는 GAN 적용 방법은 아래 논문을 통해 살펴보았다. 내용이 길어 두 개 파트로 나눠 업로드 한다. 

 

Quan, S. J. (2022). Urban-GAN: An artificial intelligence-aided computation system for plural urban design. Environment and Planning B: Urban Analytics and City Science, 23998083221100550.

 

Urban-GAN(2)

 

Abstract

현재의 도시설계 계산은 도시설계의 다차원적 차원을 무시하면서 대부분 전문설계자를 중심으로 이루어지고 있다. 또한 사용 가능한 대중 참여 계산 도구는 주로 정보 및 아이디어 공유에 중점을 두므로 대중은 디자인 전문성 부족으로 인해 디자인 생성에서 제외됩니다. 이러한 문제를 해결하기 위해 본 연구에서는 대중이 자신의 디자인을 생성할 수 있도록 디자인 권한 부여를 위한 새로운 기술 지원을 제공하기 위해 복수의 도시 디자인 계산 시스템인 Urban-GAN을 개발합니다. 심층 컨볼루션 신경망, 사례 기반 추론 및 생성적 적대 네트워크의 하위 기호 표현 및 인공 지능 기술을 사용하여 설계 지식을 밀도 함수로 획득 및 구현하고 이 지식을 사용하여 설계 계획을 생성합니다. 시스템은 도시형 데이터베이스와 5개의 프로세스 모델로 구성되어 있으며, 이를 통해 디자인 전문성이 거의 없는 사용자도 도시형 케이스를 선택하고, 해당 케이스와 유사한 디자인을 생성하고, 디자인 결정을 내릴 수 있습니다. Urban-GAN은 사용자가 시스템을 적용하여 맨해튼, 포틀랜드 및 상하이의 도시 형태 "스타일"에 따라 독특한 디자인을 성공적으로 생성할 수 있음을 보여주는 가상 디자인 실험에 적용됩니다. 이 연구는 복수의 도시 설계 계산에 대한 논의를 계획 및 설계에서 AI 기술 적용의 목표와 가치에 대한 일반적인 고찰로 확장합니다.

 

Introduction

 

Urban design computation: The plural dimension

최근 몇 년 동안 빅 데이터와 인공 지능(AI) 기술의 급속한 발전은 학자들이 우리 도시의 개발과 설계를 깊이 이해할 수 있는 새로운 기회를 열어주었습니다(Batty, 2018). 그 중 최근에는 도시 설계 계산에 초점을 맞춘 몇 가지 작업이 있으며, 유전 알고리즘과 같은 AI 검색 알고리즘을 사용하여 도시 물리적 설계 생성을 위한 계산 지원을 연구합니다. 이러한 연구의 대부분은 건축 설계 및 일반 설계에서 오랫동안 논의되어 온 설계 계산 모델의 영향을 크게 받습니다. 예를 들어, Stiny와 March(1981)에 의해 개발된 디자인 기계 이론은 디자인 프로세스를 이론의 네 가지 구성 요소인 디자인 언어, 수용체 및 효과기로 설명합니다. 그런 다음 Gero(1990)가 제안한 설계 프로토타입 이론은 기능, 구조, 설명, 실제 동작 및 예상 동작의 5가지 구성 요소를 연결하는 일반적인 설계 프로세스를 묘사합니다. 더욱이, Knight와 Stiny(2001)는 디자인 계산에서 고전적 및 비고전적 유형의 표현과 프로세스를 특징으로 하는 4가지 디자인 계산 모델에 대해 논의했습니다. 또한 Oxman(2006)은 설계 계산을 설계자, 표현, 생성, 성능 및 평가를 연결하는 프로세스가 다른 6가지 모델로 요약했습니다.

도시 설계 계산은 건축 설계 계산과 유사한 물리적 설계 생성 작업을 공유하지만 도시 설계 계산은 독특한 복수 차원을 가지고 있습니다. 도시 디자인은 단순히 건축 디자인의 축소 버전이 아니라 복수의 과정이며 삶에 미치는 영향 때문에 대중의 감시를 받는 경우가 많습니다(Ryan, 2017; Barnett, 2008). 계산 지원으로서 도시 설계 계산은 이 다차원을 다루고 대중의 참여를 촉진할 것으로 예상됩니다. 그러나 시각화 결과는 항상 대중에게 정보를 제공할 수 있지만 현재의 도시 설계 계산 연구는 일반적으로 잘 정의된 설계 목표(Quan et al., 2019)가 있는 좁은 설계에 초점을 맞추고 전문 설계자에게만 계산 지원을 집중시켰습니다. 건축 설계 계산 모델 및 연구(Oxman, 2006; Janssen, 2006)에 따라 잘 훈련되었거나 초보자에 관계없이. 이는 전문 디자이너가 대중을 대표할 수 있다는 가정 하에 디자인 생성을 주도하고 대중의 참여를 완전히 무시한다는 엘리트주의적 대중 디자인 개념을 반영한다.

계획 및 디자인에 대한 대중의 참여를 지원하는 계산 프레임워크와 도구도 존재하지만, 초점은 좁게 정의된 디자인 생성보다는 일반적인 디자인 프로세스의 커뮤니케이션에 더 있습니다(Quan et al., 2019). 계획 지원 시스템과 Geodesign 프레임워크는 대부분 여러 이해 관계자를 포함하는 전체 계획 프로세스를 지원하기 위한 기술 도구의 사용에 관한 것입니다(Steinitz, 2012; Batty, 2003; Klosterman, 1997). 대중 참여를 위해 개발된 디지털 및 계산 기술에는 대중 참여 지리 정보 시스템, 디지털 스토리텔링, 가상 "걷고 이야기하기", 온라인 스케치 및 그림, 디지털 진지 게임이 포함됩니다(Poplin, 2012). 주로 정보 공유와 구두 설명 또는 시각적 스케치를 통한 여론 표현 및 공유에 중점을 두었습니다. 이러한 프레임워크 및 도구에서 물리적 디자인 생성은 여전히 ​​대중과 디자인의 의사 소통 아이디어를 나타내는 대중의 의견을 반영하는 디자인 계획을 제공해야 하는 전문 디자이너의 작업으로 간주되었습니다. 그러나 여론의 해석과 디자인 계획으로의 번역은 항상 주관적이며 디자이너의 경험과 전문성에 달려 있습니다. 디자인 생성에 직접 참여하면 대중에게 더 높은 수준의 디자인 권한을 부여하고 자신의 아이디어를 더 잘 표현할 수 있지만 전문성 격차로 인해 이러한 목표를 달성하는 것이 매우 어려웠습니다.

AI의 힘이 커짐에 따라 AI를 사용하여 디자인 전문 지식이 거의 없는 대중이 전문적인 수준의 품질로 물리적인 도시 디자인 계획을 생성하고 대중의 디자인에 대한 다원주의적 아이디어를 촉진할 수 있습니까? 이를 달성하기 위해서는 설계 계산에서 표현과 프로세스의 전문성 격차가 해결되어야 합니다(Knight and Stiny, 2001). 표현에서 비고전적 표현은 종종 고도로 추상화되어 실제 디자인 작업에 적용하기 위해 디자인 전문성을 기반으로 정의 및 조정이 필요합니다. 고전적 표현은 두 가지 하위 유형으로 더 분류할 수 있습니다. 하나는 기하학과 같이 수량화 가능한 기호를 사용하는 기호이고, 다른 하나는 셀 및 초입방체와 같은 설계 평면 또는 초평면의 원자 단위로 사용되는 하위 기호입니다. 전자의 표현 하위 유형은 사전 설계 스키마를 필요로 하는 반면(Rowe, 1987), 후자는 생성된 설계 스키마가 합리적임을 보장하기 위해 특정 구성 규칙이 필요합니다. 이러한 표현(하위)유형 중 하위 심볼이 요구하는 디자인 전문성은 일반적인 표현으로 인해 학습을 통해 AI 기술을 마스터하기가 상대적으로 쉽습니다. 프로세스와 관련하여 도시 디자인 생성 문제는 세 가지 문제 유형에서 디자인 전문성에 대한 요구 사항 수준이 다릅니다. 첫 번째 유형인 규칙 기반 설계 생성은 매개변수 설계 및 형상 문법 방법으로 예시되며 생성 규칙의 정의 및 생성된 설계 계획 중 결정은 일반적으로 높은 수준의 설계 전문 지식이 필요합니다. 두 번째 유형의 정량적 성능 지향 설계 생성, 예를 들어 에너지 효율적인 이웃 설계, 학제 간 설계 전문 지식은 시뮬레이션 모델을 준비하는 데 종종 필요합니다. 세 번째 유형에서는 물리적 환경의 지각 및 미적 측면에 중점을 둔 질적 성능 지향적인 디자인 세대, 예를 들어 특정 "스타일"을 달성하기 위한 디자인 세대로서 요구되는 디자인 전문성은 종종 주관적이고 경험적입니다. 세 가지 문제 유형 중 세 번째 문제 유형에서 요구되는 설계 전문성은 학문적 지식보다 직관적이고 직관적이기 때문에 AI 기법을 학습하고 모델로 내재화하기 가장 쉽습니다. 그러나 이 문제 유형에서 질적 성과에 대한 지식 모델을 구축하는 것은 측정할 수 없는 측정으로 알려진 여전히 어려운 작업입니다(Ewing and Handy, 2009).

이 연구는 Urban-GAN이라는 AI 지원 도시 디자인 계산 시스템을 개발하여 도시 디자인 생성에서 대중에게 새로운 디자인 권한 부여 지원을 제공하는 것을 목표로 합니다. 이 시스템은 하위 기호 표현으로 질적 성능 지향적인 도시 디자인 생성 문제를 해결하기 위해 개발되었습니다. 이러한 문제에 필요한 디자인 전문성의 장벽은 AI 기술로 극복하여 대중이 자신의 디자인 계획을 생성할 수 있도록 하기가 상대적으로 쉽기 때문입니다. 도시 형태 데이터베이스와 5개의 프로세스 모델로 구성된 Urban-GAN 시스템의 프레임워크가 개발되었습니다. 설계 프로세스의 중추인 사례 기반 추론(CBR), 사례 적응 모델인 생성적 적대 신경망(GAN), 래스터 표현과 함께 작동하기 위해 DCGAN으로 GAN에 통합됩니다. Urban-GAN 시스템은 맨해튼, 뉴욕, 포틀랜드 중심 지역 및 상하이 북부 지역의 도시 형태 스타일을 따르는 도시 디자인 계획을 생성하기 위해 세 가지 가상 도시 디자인 작업에서 시연되었습니다.

 

Computation for plural  urban design: AI techniques

하위 기호 표현 및 DCNN. 래스터는 GIS 분석에서 널리 사용되어 왔지만 설계 계산에서 가끔 사용되는 하위 기호 표현입니다. 래스터 표현을 사용하여 물리적 설계 체계는 셀 크기에 의해 결정된 정확도를 가진 근사치로 셀 그리드로 표현됩니다(보충 자료의 보충 그림 S1). 래스터 표현은 사전 지식 없이도 계산을 단순화하기 위해 연속적인 도시 형태를 이산화합니다. 그러나 그것은 조합 폭발 문제에 직면해 있습니다. 즉, 가능한 설계 계획의 수가 더 큰 그리드 영역으로 극적으로 증가할 수 있습니다(보충 자료의 보충 그림 S2). 큰 그리드로 표현된 도시 지역의 경우, 거대한 디자인 공간을 검색하기가 매우 어려울 수 있습니다.

컴퓨터 비전 분야에서 널리 채택된 AI 기술로서 DCNN은 이러한 문제에 대한 잠재적인 솔루션을 제시합니다. DCNN은 더 많은 레이어를 적용하여 CNN(Convolutional Neural Networks) 기반의 개선 사항이며 이미지 분류 작업에서 큰 성공을 거두었습니다(Krizhevsky et al., 2017). CNN과 유사하게 DCNN은 강력하고 합리적인 가정, 픽셀 종속성의 지역성, 구성 계층, 통계의 고정성, 훨씬 적은 수의 매개변수를 사용하여 래스터의 효과적이고 단순화된 표현을 얻습니다. al., 2017; LeCun et al., 2015). 따라서 DCNN은 생성 모델과 통합될 때 도시 설계 계산에서 래스터 표현을 처리하는 데 큰 잠재력을 가지고 있습니다.

 

CBR. CBR은 주어진 사례에서 추론하여 문제에 대한 솔루션을 생성하는 AI에서 잘 알려진 접근 방식입니다(Kolodner, 1992). 가장 유명한 CBR 모델은 4개의 RE입니다. 즉, 검색, 일치 및 선택을 통해 가장 유사한 경우를 RETRIEVE합니다. 복사 또는 각색을 통한 문제 해결을 위해 검색된 사례의 정보 및 지식을 재사용합니다. 평가 및 수리를 통해 제안된 솔루션을 수정합니다. 그리고 저장과 인덱싱을 통한 미래의 문제 해결을 위한 최종 솔루션을 유지합니다(Aamodt and Plaza, 1994). CBR은 디자이너가 선호하는 사례에서 학습하고 추론하여 새로운 디자인 아이디어를 생성하기 위해 널리 사용되었으며, 이러한 디자인 응용 프로그램은 일부 학자에 의해 사례 기반 디자인이라고 명명되었습니다(Watson and Perera, 1997).

CBR은 직관적인 입력, 가시적인 추론 과정, 사용자 참여에 대한 친화성, 질적 성능을 다루는 능력에서 복수의 도시 설계 계산에 유리하다(Yeh and Shi, 1999). 그러나 CBR의 REUSE 및 REVISE에서 일반적으로 사용되는 설계 방법은 고품질 설계를 생성하기 위해 상당한 양의 설계 지식과 기술이 여전히 필요하므로 대중이 이러한 단계에 직접 참여하는 것을 방지합니다.

 

GAN and DCGAN. GAN은 현재 Goodfellow et al.이 제안한 인기 있는 프레임워크입니다. (2014) Nash 평형 솔루션을 찾기 위해 2인 미니맥스 게임에 참여하기 위해 생성기와 판별기라는 두 개의 적대적 신경망을 사용합니다. GAN은 컴퓨터 비전, 자연어 처리 및 음악 생성과 같은 다양한 분야의 이론과 응용에 대해 널리 연구되었습니다(Hong et al., 2019). 특히 GAN은 사실적인 자연 이미지를 생성하는 것으로 알려져 있습니다(보충 자료의 보충 그림 S3). GAN의 이면에 있는 아이디어를 이해하는 데 도움이 되는 비유가 종종 사용됩니다. 생성기는 가짜 그림을 생성하는 위조자로 생각할 수 있는 반면 판별자는 가짜 그림을 식별하는 탐정과 지속적인 위조 감지 게임 결과 매우 현실적인 가짜 그림. 미니맥스 게임에서 사용되는 목적함수는 공식적으로 식 (1)과 같이 쓸 수 있다(Goodfellow et al., 2014). 또한 GAN은 보충 자료의 보충 그림 S4에 표시된 반복 프로세스를 통해 이 목적 함수의 전역 최적에 접근합니다.

성능을 개선하고 다양한 도메인 작업에 적응하기 위해 다양한 모델 아키텍처, 손실 함수 및 모델 붕괴 문제를 해결하기 위한 접근 방식을 사용하는 GAN의 많은 변형이 개발되었습니다(Hong et al., 2019; Lucic et al., 2018). 그 중 DCGAN은 DCNN을 GAN 구조에 통합하는 가장 중요한 것 중 하나이다(Radford et al., 2016). DCGAN은 훈련 안정성이 크게 향상되어 이미지 분류 및 기타 생성 작업에서 매우 뛰어난 성능을 달성하여 GAN의 다른 변형에 대한 표준 및 참조 아키텍처로 널리 사용되고 참조되었습니다(Hong et al., 2019; Lucic et al., 알., 2018).

GAN과 특히 DCGAN은 거리 패턴(Hartmann et al., 2017; Owaki and Machida, 2020), 건축 계획 레이아웃(Chaillou, 2020), 거리 전망을 포함한 다양한 도시 계획 및 설계 계획을 생성하기 위해 몇 가지 연구에만 적용되었습니다. (Noyman and Larson, 2020) 및 도시화 패턴 (Albert et al., 2018). 그들 중 일부는 훌륭한 결과를 얻었습니다. 이 연구의 대부분은 GAN을 사용하여 컴퓨터 과학의 자연 이미지 생성과 동일한 방식으로 2D 계획 또는 사진을 생성했으며 주로 계획자와 디자이너를 대상으로 했습니다. 그러나 그들 중 많은 사람들이 훨씬 더 높은 수준의 품질과 복잡성으로 동일한 설계 작업을 실제로 완료할 수 있는 전문가에게 GAN이 어떻게 유용해지는지를 충분히 정당화하지 못했습니다.

복수의 도시 설계 계산을 위해 GAN, 특히 DCGAN은 질적 성능 모델링 및 설계 생성을 위한 솔루션을 제공합니다. GAN의 래스터 입력의 밀도 함수는 공간 패턴을 나타내며 도시 형태 스타일과 같은 질적 성능과 높은 관련이 있습니다. 그러나 밀도 함수를 정의하는 것은 래스터와 같은 고차원 데이터에 대해 매우 어려운 작업입니다(Goodfellow et al., 2014). GAN은 Minimax 게임을 통해 학습하여 확률 분포를 추론하고 새로운 패턴을 생성하여 샘플 밀도 함수를 근사화하는 새로운 방법을 제공합니다. 이는 설계 전문성에 덜 의존하므로 복수 도시 설계 계산에 적합합니다.

 

Integration of AI techniques for plural urban design computation. 앞서 언급한 AI 기술을 통합하여 대중이 보다 쉽게 ​​디자인 생성 작업을 수행할 수 있도록 상호 보완할 수 있습니다. GAN은 CBR의 REUSE 및 REVISE 단계에 대한 결합된 학습 및 생성 접근 방식을 제공하여 설계 전문 지식에 대한 의존도가 제한된 질적 성능을 기반으로 하는 설계 계획을 제공합니다. GAN에서 DCNN을 DCGAN 모델로 사용하면 래스터 표현으로 넓은 디자인 공간에서 검색하는 GAN의 용량을 더욱 향상시킬 수 있습니다. AI 기술의 통합은 지식 획득, 하위 기호 추론 및 설계 생성을 자동화 및 단순화함으로써 래스터 표현으로 질적 성능 기반 설계 문제에 대한 복수 도시 설계 계산을 지원하는 데 큰 잠재력을 제시합니다.

 

Urban-GAN 프레임워크

본 연구에서는 복수의 도시설계를 위한 Urban-GAN 계산 시스템을 제안한다. 이 시스템은 케이스 표현으로 래스터를 사용하고 케이스 적응 모델로 DCGAN을 사용하여 케이스 기반 추론을 기반으로 합니다. 이 시스템은 다음과 같은 특징을 가지고 있습니다: 도시 지도의 직관적인 입력, 간소화된 프로세스, 대화형 시각화 및 확장 가능한 데이터베이스. 그림 1은 이 시스템의 프레임워크를 보여줍니다.

 

 

시스템은 도시 형태의 예를 참조 디자인 케이스로 저장하는 도시 형태 데이터베이스와 디자인 케이스 검색 인터페이스, 케이스 전처리, 케이스 적응, 디자인 후처리 및 디자인 결정 인터페이스 모델을 포함한 5가지 프로세스 모델로 구성됩니다. 모델 중 2개의 인터페이스 모델은 사용자의 대화형 입력이 필요하고 나머지 3개는 고도로 자동화되어 있습니다. 설계 작업에서 이러한 모델을 순차적으로 적용하여 도시 형태 데이터베이스에서 설계 사례 샘플을 선택하고, DCGAN 입력으로 변환하고, 모델링 교육 및 설계 생성을 통해 일련의 원시 설계 출력을 생성하고, 후처리된 설계 솔루션을 생성하고, 결정합니다. 최종 디자인 계획에. 사용자가 생성된 디자인 계획에 만족하지 않으면 시스템은 케이스 적응 모델로 돌아가 사용자를 위한 다른 원시 디자인 출력 세트를 생성합니다. 최종 설계 계획은 다른 사용자와의 추가 협상 및 토론을 위해 일반 설계 프로세스에서 사용되며 동시에 도시 형태 데이터베이스에 저장됩니다.

이 시스템은 대중에게 친숙합니다. 전체 시스템은 백엔드 부분으로 사용자 개입이 거의 없이 고도로 자동화되며 사용자는 입력 케이스 검색에서만 시스템과 상호 작용하고 프론트 엔드 부분으로 의사 결정 모델을 설계하면 됩니다. 자동화된 모델에서 시스템은 AI 기술을 사용하여 주어진 사례를 기반으로 유사한 양식 패턴을 생성하는 방법을 효과적으로 학습하고 데이터 분석 알고리즘을 사용하여 내장된 기본 양식 규칙을 기반으로 생성된 디자인을 후처리합니다.

따라서 시스템은 사용자의 명시적인 설계 전문 지식과 모델링 기술이 필요하지 않습니다. 두 가지 상호 작용 모델은 웹 사이트, 모바일 응용 프로그램 및 전시회 계획에서 자주 사용할 수 있는 터치 스크린 상호 작용 시스템을 비롯한 다양한 인터페이스로 대중에게 제공될 수 있습니다. 이러한 인터페이스에서 두 모델은 대중이 사용할 수 있는 다양한 시각화 모드를 통해 대화식의 다양한 방법을 제공합니다. 시스템의 개발 및 관리에는 시스템 초기화, 현재 구역 및 관행에 따라 바람직하지 않거나 유효하지 않은 영역을 표시하고, 데이터베이스를 유지 관리하는 데 여전히 전문가의 참여가 필요합니다. 그러나 이 복수의 도시설계 전산시스템에서 전문가의 역할은 전문가의 아이디어로 또는 대중을 대신하여 설계하기 보다는 대중이 스스로 설계 계획을 생성할 수 있도록 시스템 관리에서 유지됩니다.

도시 형태 데이터베이스는 유연하고 확장 가능합니다. 데이터베이스는 도시 형태 데이터를 GIS, CAD 또는 래스터 형식으로 저장할 수 있으며 언제든지 더 많은 데이터를 포함하도록 확장할 수 있습니다. 데이터베이스의 각 도시 형태 데이터에는 샘플 사례 선택을 위한 두 가지 속성 중 적어도 하나가 있습니다. 위치 이름 및 도시 형태 특성과 같이 대중이 쿼리할 수 있는 지리적 위치 좌표 및 키워드. 생성된 디자인 스킴은 샘플 케이스의 키워드를 상속받으며 디자인의 특성에 대한 새로운 키워드는 디자인 결정 인터페이스 모델에서 사용자가 추가할 수 있습니다. 도시 형태 데이터베이스는 전문가가 추가한 새로운 도시 형태 데이터 세트를 포함하도록 확장될 수 있습니다. 또한, 데이터베이스는 사용자의 시스템 사용을 통해 할당된 레이블이 있는 더 많은 도시 형태 데이터를 축적하므로 나중에 샘플 사례 선택을 위해 더 많은 데이터를 제공할 수 있습니다. 이러한 데이터베이스 관리를 통해 Urban-GAN 시스템은 더 나은 사용을 위해 성장하고 개선할 수 있습니다. 전체 시스템은 다음 섹션의 파일럿 사례 연구에서 시연됩니다.

 

Pilot case study: Generating Manhattan patterns

이 연구는 제안된 Urban-GAN 시스템이 어떻게 작동하는지 보여주기 위한 파일럿 사례 연구로 가상의 설계 프로젝트를 사용합니다. 이 프로젝트는 디자인 전문 지식이 거의 없는 일반 사용자 중 한 명이 맨해튼의 도시 형태 스타일을 따르는 도시 디자인 계획을 생성하기를 원한다고 가정합니다. 이러한 설계 작업은 일반인 사용자에게는 일반적으로 불가능하지만 이 파일럿 연구는 복수의 도시 설계 계산 시스템, 즉 Urban-GAN이 어떻게 잘 작동하는지 보여줍니다. 시연을 위해 도시 형태와 디자인 계획은 건물의 레이아웃으로 단순화되었습니다.

도시형 데이터베이스 준비 및 디자인 사례 검색

이 파일럿 연구의 도시 형태 데이터베이스는 도시 설계 전문가와 GIS 분석가가 준비한 뉴욕시의 건물 및 자치구 시 경계 GIS 데이터 세트를 포함하도록 초기화됩니다. 건물 데이터 세트에는 건물 면적 및 높이 정보가 포함되어 있으며 각 건물 및 각 자치구 경계에는 데모 목적을 위한 속성 키워드로 해당 자치구 이름이 있습니다. 그러나 속성 키워드는 더 광범위할 수 있습니다. 일반적으로 데이터베이스에는 세 가지 유형의 속성 키워드가 허용됩니다. 소스 데이터에서 쉽게 사용할 수 있는 도시 이름 및 지구 이름과 같은 위치 식별자; 설계 전문가가 사전에 준비하는 현재 구역 및 전문성을 기반으로 한 타당성 및 바람직함과 같은 도시 형태의 검증 및 평가 결과; 및 일반적으로 사용자가 입력하는 안전 인식과 같은 지각 평가 결과(자세한 내용은 보충 자료의 보충 표 S1 참조).

Urban-GAN 시스템의 디자인 사례 검색 모델을 사용하면 사용자가 속성 키워드를 통해 또는 지도 인터페이스에서 대화식으로 도시 형태 사례를 검색할 수 있습니다. 이 단계에서 검색된 사례는 종종 다음 단계에서 자세한 샘플이 생성되는 대규모 도시 지역으로 표시됩니다. 이 파일럿 연구에서 사용자는 맨해튼의 자치구 이름으로 키워드 검색을 적용한 후 검토를 위해 맨해튼 지도가 표시됩니다. 사용자는 샘플 도시 형태 영역을 더 잘 이해하기 위해 지도를 확대/축소하고 이동할 수 있으며 불만족스러운 경우 추가 검색을 수행할 수 있습니다. 사용자가 케이스 검색 결과에 만족하면 맨해튼 지역의 모든 건물이 다음 모델로 전달됩니다. 전체 케이스 검색 프로세스는 대화형이고 직관적이며 디자인 전문 지식이 거의 없는 대중에게 친숙합니다. 사용자는 이 단계에서 지각 평가 유형의 속성 키워드로 특정 영역에 태그를 지정할 수도 있습니다.