Urban-GAN(2)

Urban-GAN(1)

 

Case pre-processing

GIS 형식의 건물로 표현된 도시 형태는 Urban-GAN의 사례 적응에서 인스턴스 기반 학습에 직접 사용할 수 없습니다. 선택된 영역을 DCGAN에서 요구하는 특정 형식의 샘플로 변환하기 위해 케이스 전처리 모델이 적용됩니다. 이 모델은 래스터화, 임의 창 샘플링 및 형식 변환의 세 단계로 구성됩니다(그림 2). 모델이 완전히 자동화되었습니다.

 

래스터화 단계에서는 GIS 형식의 선택된 영역과 건물을 셀 크기가 2m x 2m인 래스터로 변환합니다. 셀 값은 셀이 건물에 해당하는 경우 건물 옥상의 높이입니다. 그렇지 않으면 이 파일럿 사례 연구에서 0으로 가정된 지반 고도로 설정됩니다. 이러한 셀 값 규칙을 따르는 결과 래스터는 모든 요소에 하나의 고도 값만 있는 2.5D 도시 환경이라고 합니다. 그런 다음 래스터는 256m x 256m 창을 사용하여 무작위 창 샘플링 단계에서 샘플링됩니다. 해당 샘플을 얻기 위해 맨하탄 영역 내에 창을 무작위로 배치합니다. 이러한 프로세스가 반복되어 30,000개의 샘플이 생성됩니다.

형식 변환 단계에서는 30,000개의 모든 샘플을 케이스 적응 모델에서 DCGAN이 요구하는 입력 형식인 (30,000, 128, 128, 1) 형태의 4차원 배열로 변환합니다. 이 연구에서 건물은 도시 형태의 유일한 구성 요소로 간주되므로 이미지 채널을 나타내는 마지막 차원은 1입니다. 그러나 더 복잡한 도시 형태를 나타내기 위해 다른 구성 요소를 포함하도록 채널 수를 늘릴 수 있습니다. 배열 값은 훈련 안정성을 위해 À1에서 1까지의 범위로 정규화되며, 식 (2)에 따라 결과 배열은 케이스 적응에 추가 사용을 위해 저장됩니다.

 

Case adaptation using GAN

사례 적응 모델은 널리 사용되고 효과가 입증된 DCGAN 모델의 변형을 채택합니다. 방정식 (1)에서 GAN 목적 함수로서의 손실 함수는 GAN 연구에서 매우 잘 수행되는 것으로 입증된 힌지 손실로 정의됩니다(Brock et al., 2019). DRAGAN 방식(Kodali et al., 2017)에 따라 안정성을 높이기 위해 기울기 놈 페널티가 판별기에 도입되었습니다. 표 1은 GAN 구성의 요약을 보여줍니다. 구성에서 잠재 공간은 설계 생성을 위한 GAN의 임의 노이즈 입력을 나타냅니다. 이 구성은 몇 차례의 테스트를 통해 조정한 후 결정되었습니다. 생성기 및 판별기의 신경망 구조에 대한 자세한 내용은 각각 보충 자료의 보충 표 S2 및 S3에 설명되어 있습니다.

이 연구는 알려진 순환 및 모델 붕괴 문제로 인해 중요한 구성요소인 GAN 훈련에 대한 중지 기준을 결정하는 방법을 개발합니다(Kodali et al., 2017). 그러나 대부분의 이전 연구에서는 이 구성 요소에 많은 관심을 기울이지 않았습니다. 그들은 일반적으로 임의의 반복 횟수(Lucic et al., 2018) 후에 또는 육안 검사를 기반으로 훈련을 중단했습니다. GAN 분야(Grnarova et al., 2019)에서 이 주제에 대한 최근의 노력에 따라 이 연구는 GAN 모델에 널리 사용되는 샘플 품질 평가 메트릭(Lucic et al., 2018)인 FID(Fréchet Inception Distance)를 채택하여 다음을 수행합니다. 교육 과정을 중단할 시기를 결정합니다. 모델 붕괴가 식별되면 훈련이 중지되고 가장 잘 훈련된 GAN 모델은 반복 59,500에서 FID 값이 가장 낮은 97.59(보충 자료의 보충 그림 S5)에서 발견되며, 이는 이전 연구에서(Lucic et al., 2018). 그런 다음 가장 잘 훈련된 GAN 모델을 사용하여 케이스 적응 모델의 설계 결과를 생성합니다. 케이스 적응 모델의 전체 프로세스는 사용자 개입 없이 원시 디자인 출력을 생성하도록 자동화됩니다.

훈련 과정을 통해 발전기는 맨해튼 도시 형태와 유사한 점점 더 합리적이고 현실적인 디자인을 생성할 수 있으며 빠르면 Iteration 59,500에 강력한 발전 용량에 도달하는 것으로 간주됩니다. 훈련된 생성기는 무작위 노이즈 입력을 기반으로 임의의 수의 설계를 생성할 수 있으며 그 중 4개의 설계가 시연을 위해 선택됩니다. 네 가지 예는 모두 무작위 노이즈 패턴에서 시작하여 반복을 통해 독특한 형태 패턴으로 발전합니다(그림 3(a)).

 

특히 Urban-GAN의 디자인 생성기는 훈련 후 매우 다양한 형태 패턴으로 임의의 수의 디자인을 생성할 수 있습니다. 선택된 4개의 디자인은 시연용입니다. 디자인 선택은 대중이 해야 하며, 이에 대해서는 이후 섹션에서 설명합니다.

 

Design post-processing

DCGAN의 직접 출력은 래스터 표현의 원시 도시 디자인 패턴이며 DCGAN 교육 프로세스의 최적화 및 무작위성의 제한으로 인해 특정 노이즈 정보를 포함합니다. 원시 설계 출력은 래스터의 각 셀을 셀 값으로 돌출시켜 설계 계획의 2.5D 모델로 간단하게 시각화할 수 있습니다(그림 3(b)). 분명히 직접 변환 방법의 2.5D 모델은 특히 건물 높이의 기복에 대해 상당히 지저분해 보입니다. 미가공 설계 출력은 설계 후처리 모델에서 품질 설계 계획이 되기 위해 추가 정리 및 시각화가 필요합니다.

설계 후처리 모델의 주요 임무는 건물 면적 경계를 식별하고 원시 설계 출력에서 ​​건물 높이를 매끄럽게 하여 보다 깨끗하고 합리적인 설계 계획을 생성하고 이를 2.5D 모델로 추가로 변환하는 것입니다. 이러한 작업을 완료하기 위해 세 단계가 적용됩니다: 래스터 과분할, 건물 감지 및 평활화, 모델 변환(그림 3(b)). 첫 번째 단계에서 사례 적응 모델의 원시 래스터 출력은 Felsenszwalb 과분할 방법(Felzenszwalb 및 Huttenlocher, 2004)을 사용하여 분할되어 건물 및 지반의 하위 구성요소를 식별하여 건물 감지를 준비합니다. Design 4의 경우 oversegmentation 결과는 326개의 subcomponent를 가진다(Figure 3(b)). 두 번째 단계에서는 하위 구성 요소를 결합하여 건물 구성 요소를 감지하고 최소 건물 구성 요소 면적 규칙으로 평균화하여 높이를 평활화합니다. 이 단계에서는 디자인 4의 경우 부드러운 높이를 가진 42개의 건물 구성요소가 생성됩니다(그림 3(b)). 세 번째이자 마지막 단계에서는 이전 단계의 래스터 형식의 디자인 패턴을 다각형으로 벡터화한 다음 단순화하여 불필요한 변형을 제거하여 보다 부드러운 건물 공간을 생성합니다. 단순화된 건물 발자국은 직접 변환보다 더 깨끗하고 부드러운 2.5D 모델을 생성하기 위해 더 돌출됩니다(그림 3(b)). 디자인 4의 경우 전체 후처리 과정을 거쳐 최종 디자인 계획에는 12개의 건물(31개의 구성 요소)이 포함됩니다. 모든 후처리 단계는 사용자 개입 없이 원시 설계 출력을 정리하고 최종 및 품질 설계 계획으로 변환하도록 자동화됩니다.

 

Interactive design decision and case storage

설계 결정 모델에서는 사후 처리 모델에서 생성된 일련의 설계 계획이 사용자에게 제공되어 검토하고 설계 결정을 내릴 수 있습니다. 이 모델은 대화식이며 사용자가 다양한 보기 모드를 가질 수 있도록 합니다. 사용자는 생성된 각 설계 계획에 대해 2D 평면도와 2.5D 모델 사이를 전환하고 검사를 위해 보기를 확대/축소, 이동 또는 회전할 수 있습니다(그림 3(c)). 사용자는 검사 중에 이전에 선택한 샘플 케이스 영역을 다시 방문할 수 있습니다. 또한 이 모델을 사용하면 사용자가 현재 집합에 만족하지 않는 경우 생성된 다른 디자인 체계 집합을 요청할 수 있습니다. 요청이 이루어지면 Urban-GAN 시스템은 사례 적응 모델로 돌아가서 훈련된 GAN 모델을 사용하여 새로운 원시 디자인 출력 세트를 생성합니다. 의사결정을 위한 사용자. 하나 또는 몇 개의 특정 디자인 방식이 최종 디자인 결과로 결정되면 사용자는 인터페이스를 통해 이러한 디자인에 대한 지각 평가 유형의 속성 키워드를 제공할 수 있습니다. 전체 디자인 결정 프로세스는 전문 지식과 기술이 아닌 주관적이고 지각적인 아이디어에 기반한 사용자의 상호적이고 직접적인 입력을 필요로 하므로 대중이 사용하기 쉽습니다.

이러한 최종 설계 계획은 일반 설계 프로세스에서 이해 관계자 간의 의사 소통 및 협상을 지원하기 위해 제공됩니다. 동시에 이 시스템의 향후 사용을 위해 도시 형태 데이터베이스에 자동으로 저장됩니다.

 

Design evaluation and system implementation

생성된 양식 패턴은 시각적으로나 정량적으로 평가되었습니다. 육안 검사는 Urban-GAN이 다양한 도시 형태 유형을 가진 맨해튼의 다양한 비율에서 학습함을 시사합니다. 그림 3(a)는 Urban-GAN에서 직접 생성된 도시 형태 패턴과 일부 샘플 Manhattan 도시 형태 사례 간의 시각적 비교를 보여줍니다. 디자인 1은 3번가와 5번가 사이의 전형적인 짧은 블록을 나타냅니다. 디자인 3과 4는 맨해튼에서 많이 볼 수 있는 전형적인 장블록과 유사하며, 디자인 3은 특히 미드타운 지역과 그 주변의 고밀도 블록에 해당하는 반면 디자인 4는 중저밀도 블록에 해당한다. 디자인 2는 맨해튼, 특히 East Harlem 및 Stuyvesant Town 지역에서 가끔 발견되는 학습된 타워 패턴인 것 같습니다. 디자인 후처리 후 선정된 디자인의 형태 다양성도 도시 형태를 평가하는 데 자주 사용되는 수량, 밀도 및 기하학 지표로 정량적으로 평가되었습니다(Lynch and Rodwin, 1958; Clifton et al., 2008). 이러한 지표 값과 값 스프레드 간의 차이는 생성된 디자인의 독특한 패턴을 나타냅니다. 자세한 내용은 보충 자료의 보충 표 S4를 참조하십시오. 시각적 및 정량적 평가 모두 맨해튼의 도시 형태 패턴의 뉘앙스를 구별하고 보다 포괄적이고 다양한 방식으로 소위 맨해튼 형태 "스타일"과 유사한 새로운 디자인 패턴을 생성하는 방법을 배우는 Urban-GAN의 능력을 보여줍니다. 방법.

시스템은 도시형 데이터베이스 관리를 위한 MYSQL과 모델 개발을 위한 Python의 프로그래밍 언어를 사용하여 구현됩니다. 몇 가지 Python 라이브러리는 모델에서 다양한 기능을 구현하는 데 사용됩니다. 특히, GPU를 지원하는 TensorFlow는 He et al.의 작업에서 오픈 소스 코드를 참조하여 DCGAN을 구현하는 데 사용됩니다. (2019). 전체 설계 계산 프로세스는 대화형 모델을 제외하고 Python을 접착제로 사용하여 자동화됩니다. 맨해튼 연구에서 Urban-GAN 시스템은 Intel i9 CPU와 NVIDIA GEFORCE RTX 2080 Ti GPU가 장착된 워크스테이션에서 실행되었습니다. 전체 계산은 하나의 GPU를 사용하여 11시간이 걸렸습니다.

 

Discussion

Representation and process in Urban-GAN with deep learning

도시 규모 데이터 세트의 가용성 증가는 종종 목표 기반 또는 규칙 기반 방법을 기반으로 하는 도시 설계 계산을 위한 새로운 기회를 제공합니다. 새로운 데이터 기반 접근 방식은 사전 정의된 설계 스키마 및 추론에 의존하지 않습니다. 대신, 접근 방식은 주어진 도시 형태 패턴과 속성에서 잠재적인 디자인을 귀납적으로 추론하여 더 많은 적응성과 유연성을 제공합니다. 그러나 이러한 데이터 기반 모델을 개발하는 데 두 가지 주요 문제가 발생합니다. 도시 형태를 보다 일반적으로 표현하는 방법과 도시 형태 데이터가 주어진 바람직한 디자인을 정의하고 검색하는 방법입니다.

본 연구에서 개발된 Urban-GAN은 DCNN과 GAN의 딥러닝 기법과 래스터 형식의 서브심볼릭 표현을 사용하여 두 가지 문제를 해결합니다. 도시 형태의 래스터 형식은 사전 설계 스키마가 필요하지 않고 수치 계산에 적합한 일반적이고 이산적인 표현을 제공합니다. GIS에서 래스터 형식으로의 변환을 포함하여 다양한 형식의 도시 형식 데이터를 변환하는 것도 일반적으로 쉽습니다. 그러나, 그것의 적용은 종종 조합 폭발에 직면하고 의미론이 부족합니다. DCNN은 신경망의 계층 간 연결을 통해 종종 의미론적 의미를 갖는 학습 기능을 나타내는 표현 학습을 통해 이러한 문제를 해결합니다(Goodfellow et al., 2016). Sub-symbolic 표현과 DCNN의 채택은 도시 형태를 보다 일반적이고 유연하게 표현하기 위한 새로운 솔루션을 제공합니다.

디자인 프로세스를 위해 Urban-GAN은 주관적이고 종종 측정할 수 없는 지각 성능과 같은 물리적 환경의 질적 성능과 관련하여 어려운 디자인 생성 작업에 대한 새로운 방법을 제공합니다(Ewing and Handy, 2009). Urban-GAN 시스템은 CBR 프레임워크와 DCGAN을 사용하여 이 작업을 구성하고 지각 성능을 밀도 함수로 정의합니다. 이는 사용자가 주관적으로 선택한 사례를 기반으로 GAN의 minimax 게임 교육을 통해 학습할 수 있습니다. 지각적인 도시 형태 "스타일"을 학습하고 그에 따라 디자인을 생성하는 Urban-GAN의 기능을 추가로 입증하기 위해 미국 포틀랜드 중부와 중국 상하이 북부에 대해 두 가지 추가 실험을 수행했습니다. 실험 결과 두 도시의 실제 도시 형태 패턴과 시각적으로 유사한 매우 독특한 디자인 계획이 나타났습니다(보충 자료의 보충 그림 S6 및 S7). Urban-GAN은 또한 제공된 샘플에서 유기적 개발 패턴을 학습하여 보다 유기적인 도시 형태 패턴을 가진 디자인을 생성할 수 있습니다.

성공적인 실증 실험에도 불구하고 고유한 설계 지식과 질적 성능을 학습하기 위한 Urban-GAN 접근 방식에는 한계가 있습니다. 이 접근 방식은 고도로 추상화된 확률 밀도 함수를 사용하여 복잡한 도시 형태 패턴을 표현하여 디자인을 생성하는 방법을 학습합니다. 그러나 이러한 접근 방식은 밀도 함수의 확률적 특성으로 인해 잘못된 설계를 생성할 수 있습니다. 더욱이, 고차원 공간에서 이러한 추상 밀도 함수를 학습하는 것은 차선의 솔루션에 갇히기 어렵고 쉬운 것으로 알려져 있습니다(Grnarova et al., 2019; Kodali et al., 2017). 따라서 훈련된 생성기는 문제가 있는 설계의 일부를 생성할 수 있습니다. 그러나 이러한 바람직하지 않은 설계 계획은 설계 결정에서 사용자가 쉽게 식별하고 폐기할 수 있습니다. 또한 Urban-GAN이 주어진 샘플에서 학습함에 따라 기존 양식을 따라 생성된 디자인 중 일부는 Manhattan 사례의 디자인 2와 같이 현재 유효하지 않은 것으로 간주될 수 있습니다. 이러한 문제는 설계 전문가가 준비한 도시 데이터베이스에 필터링이나 라벨링을 부과하거나 추후 일반 설계 과정에서 논의를 통해 해결할 수 있다. 미래 연구는 모델 훈련에서 설계 제약을 적용함으로써 성능을 향상시키기 위해 명시적 설계 규칙을 Urban-GAN에 결합할 수 있습니다.

 

AI support for plural urban design

가장 중요한 것은 Urban-GAN이 설계 권한 부여를 위한 새로운 수준의 기술 가능성을 제공한다는 것입니다. 현재 도시설계를 위한 컴퓨팅 지원은 크게 두 가지로 나눌 수 있다. 첫 번째 유형은 대중을 위한 디자인 아이디어에 따라 명확하게 정의된 목표를 가진 좁은 디자인의 디자인 전문가를 위한 전문 디자인 계산 시스템입니다. 두 번째는 대중과 디자인의 아이디어가 얽힌 디자인 문제와 솔루션이 얽힌 일반 디자인에 대중이 참여하기위한 의사 소통 계산 기술입니다. 그러나 현재의 전산 도구는 여전히 대중에 의한 직접 설계 생성을 지원하지 못하고 있으며, 이는 좁은 설계 프로세스에서 설계 전문 지식이 부족하기 때문에 어려운 것으로 간주됩니다. 이 사건은 대중에 의한 디자인의 아이디어로서 대중이 최고 수준의 디자인 권한 부여를 달성하는 것을 방해합니다. 즉, 자신의 삶과 밀접하게 관련된 미래의 도시 개발을 통제하기 위한 방법으로 자신의 디자인 계획을 생성하는 대중의 독립성입니다(Senbel and Church, 2011).

Urban-GAN은 이 문제를 해결하고 대중이 도시 형태 샘플에서 디자인 지식을 배울 수 있는 AI 기술을 사용하여 자신의 디자인 계획을 생성할 수 있도록 하는 첫 번째 단계 중 하나입니다. 복수의 디자인 생성을 가능하게 함으로써 디자인 임파워먼트를 위한 새로운 기술적 가능성을 제공합니다. 물론 프로세스 조직, 커뮤니티 회의 및 기타 의사 소통 기술 지원을 포함하여 효과적인 디자인 권한 부여를 달성하기 위해서는 보다 실질적인 노력이 필요합니다(Senbel 및 Church, 2011). Urban-GAN의 향후 개발은 디자인 실무에서 디자인 권한 부여를 보다 효과적으로 지원하기 위한 이러한 노력과의 통합에 중점을 둘 것입니다.

 

Further reflections on AI applications in planning and design

이 연구는 계획 및 설계 문제를 해결하기 위해 AI 기술을 적용하려는 최근 증가하는 노력 중 하나입니다. 그러나 이 작업은 다른 연구와 달리 전문 디자이너의 특권 도구 상자에 또 다른 멋진 장치를 추가하는 대신 AI 기술이 디자인 프로세스에서 대중에게 어떻게 도움이 될 수 있는지 탐구했습니다. 이 연구의 기본 아이디어는 AI 기술이 목적이 아니라 수단이며 AI 기술 응용의 목적이 더 주목되어야 한다는 것입니다. AI 기술의 적용은 특정 그룹의 역량을 강화합니다. 따라서 AI 기술에서 전달된 분석력이 계획 및 설계 프로세스에서 다양한 이해 관계자에게 어떻게 지시되고 분배되는지는 계획 및 설계 이론을 참조하여 더 나은 이해가 필요합니다. 이 연구는 이러한 고려 사항으로 AI 기술을 적용할 수 있는 방법을 보여줍니다. 이 담론을 탐구하기 위해서는 추가적인 연구가 필요하다.

 

Conclusion

최근에는 도시 디자인 생성을 지원하기 위해 AI 기술이 적용되었습니다. 그러나 현재의 도시설계 계산연구는 공공설계라는 개념을 근간으로 하는 도시설계의 다차원적 고려 없이 전문설계자 중심의 건축설계 전산모형을 주로 따르고 있다. 반면, 기획에 대중이 참여하기 위한 기술적 프레임워크와 도구는 디자인 아이디어에 따라 대중과 정보와 의견을 공유하는 데 더 중점을 둡니다. 그러나 세부 디자인 생성은 여전히 ​​전문 디자이너에 의해 단독으로 관리 및 제어됩니다. 대중의 디자인 전문성 부족으로 인해 대중이 자신의 디자인 계획을 생성할 수 있는 최고 수준의 디자인 권한 부여는 거의 달성되지 않았습니다. 이러한 장애는 도시설계 전산분야에서 극복은커녕 거의 해결되지 않았다.

본 연구에서는 이러한 문제를 해결하기 위해 복수의 도시설계 전산시스템인 Urban-GAN을 제안한다. Urban-GAN 시스템은 하위 기호 표현과 AI 지원 프로세스를 채택하여 대중이 자신의 디자인 계획을 생성할 수 있도록 합니다. DCNN, CBR, GAN의 AI 기술을 활용하여 어려운 질적 성과 지향적인 도시 설계 문제를 고도로 추상화된 밀도 함수로 해결 가능한 설계 생성으로 전환하고 전체 설계 생성 프로세스를 간소화 및 자동화하여 대중이 사용할 수 있습니다. 웹사이트, 모바일 앱, 터치스크린 시스템과 같은 접근 가능한 대화형 디지털 플랫폼을 통해 Urban-GAN 시스템은 도시 형태 데이터베이스와 케이스 검색, 케이스 전처리, 케이스 적응, 디자인 후처리 및 디자인 결정 모델의 5가지 프로세스 모델로 구성됩니다.

Urban-GAN 시스템은 맨해튼 도시 형태 "스타일"을 따르기 위해 가상의 도시 디자인 생성 작업에 적용됩니다. 결과는 전문 지식이 거의 없는 사용자가 이 시스템을 적용하여 맨해튼의 전형적인 도시 패턴과 유사한 새로운 디자인 계획을 성공적으로 생성할 수 있음을 보여줍니다. 시각적 및 정량적 평가는 이러한 디자인 간에 높은 수준의 다양성을 나타냅니다. 미국 포틀랜드와 중국 상하이에서의 추가 실험은 이 시스템이 독특한 도시 형태 스타일을 학습하고 유사한 디자인 계획을 생성할 수 있음을 보여줍니다. 제시된 Urban-GAN 시스템은 아직 개념적이지만 이 시스템은 다양한 유형의 도시 설계 작업에 대해 보다 실용적으로 개발될 수 있습니다. 시스템은 지형, 블록, 녹지 및 수역과 같은 다른 형태 구성 요소를 고려하기 위해 더 나은 인터페이스, 더 빠른 속도 및 도시 형태 표현에서 더 많은 채널을 가질 수 있습니다.

이 연구는 대중에 의한 디자인 아이디어에 따라 도시 디자인 세대에서 대중에게 힘을 실어주는 새로운 기술적 가능성을 제공하기 위해 AI 기술을 적용하는 초기 단계입니다. 이 연구는 전문 디자이너를 또 다른 강력한 효율성 도구로 지원하기보다는 디자인 목표와 가치를 고려하여 디자인 권한 부여에 기여하는 AI 기술의 큰 잠재력을 보여줍니다. 이러한 방향으로 AI 개발이 가능하게 하는 새로운 가능성을 식별하려면 계획 및 설계 이론과 설계 계산 기술 간의 통합에 대한 추가 논의가 필요합니다. 이러한 가능성을 복수의 도시 설계를 위한 보다 혁신적이고 강력하며 유용한 설계 계산 시스템으로 전환하기 위해서는 대중, 전문 설계자 및 연구원의 더 많은 공동 노력이 필요합니다.