Page 223 - 建筑结构设计理论及实践研究

第六章 建筑设计智能化技术 ◆

破坏并恢复图像的过程中学习如何恢复图像。扩散模型不需要像 VAE 那样对准
后验分布，也不需要像 GAN 一样额外训练一个判别器。在图像处理，特别是文
本生成图像的任务中获得了优于 GAN 的生成效果。扩散模型近期在各领域内生
成任务上都得到了积极的应用。与 GAN 和 VAE 相比，扩散模型的局限性体现

在其采样步骤多、采样时间长的特性上。这也是目前扩散模型需要努力克服的问
题。目前扩散模型在工程设计问题中仅得到了初步的开发，其应用场景有待进一
步发掘。
（二）基于生成式 AI 的建筑设计

在传统流程中，建筑设计环节往往由工程师基于现有约束进行设计。这是一
个耗时的迭代过程。工程师在这一过程中需要耗费大量的沟通和时间成本用于方
案修改和更替。而且工程师的设计水平和灵感很大程度上受到自身能力与经验的
限制，聘请优秀工程师的费用又较为昂贵。由此，工程建筑设计场景下的生成式

AI 算法应运而生。
1. 建筑布局设计
建筑布局设计即对拟建建筑的内部房间、功能区、流通路径等进行规划，传
统的建筑布局由工程师借助气泡图、流程图等工具完成设计。在借助生成式 AI

进行建筑布局的过程中也基本遵循这一思路。在建筑布局问题中，简化复杂的房
间边界和房间联通关系能有效地改善生成式 AI 的运行效果。建筑布局设计中的
约束条件一般涉及外墙边界、房间形状、面积大小以及联通关系等。在本类生成
式 AI 算法中，为了简化约束的表达，房间形状一般被设计为边界水平或竖直的

多边形。这样就可以先确定墙角的交点进而再生成房间，或是通过多个重叠的矩
形进行布尔运算得到。虽然简化房间约束的思路相似，但不同方法所用的输入内
容和输出后处理过程也不尽相同。例如 Graph2plan 模型需要给出待规划房间的
平面图轮廓，而 HouseGAN 模型则需要以邻接图的形式输入房间数量和种类，

且生成结果中不包括门的位置。RPLAN 模型同样不能生成门的位置，需要后续
手动添加完善。其结果的质量和真实性也有一定局限性。在最新的研究中，随着
相关模型架构的改良和训练水平的提升，生成式的平面设计不仅能辅助工程师进
行普通住房布局设计，还能完成医院、展馆、校园等大范围或者特殊环境的规划

设计任务。目前的生成式 AI 布局规划设计可以胜任更加复杂的房间边界的生成
任务。在更宏观的场景下，整个住宅区域的环境设计或是街道建筑的形态风貌设

·211·