基于生成对抗网络的轮廓和气泡图的室内布局生成方法

本发明属于图像生成领域，尤其是基于生成对抗网络的轮廓和气泡图的室内布局生成方法。

背景技术：

0、技术背景

1、住宅房屋平面布局图设计一直是建筑和设计领域中的核心任务之一。传统的设计方法依赖于设计师的专业知识、经验和创造力，需要进行大量的手动绘图和反复修改。这一过程不仅耗时长，而且由于设计师个人经验和审美观念的差异，导致设计结果存在较大的个体差异。这种差异在追求设计标准化和满足市场需求的背景下，显得尤为突出。而在当前的设计领域中，人工智能技术的应用已经催生了多种创新的设计方法。这些方法根据其设计过程和目标的不同，大致可以归纳为：基于优化的设计方法、类比设计方法以及生成设计方法。

2、基于优化的设计方法通过运用先进的优化算法，旨在在给定的设计要求和约束条件下寻找最优解。这种方法在提高住宅平面图设计效率方面表现出色，特别是在处理那些具有明确目标和可量化评价标准的设计问题时。然而，当面临复杂的房间布局问题时，由于需要考虑的布局原则众多，这些原则之间可能存在相互冲突，因此优化算法可能会遇到难以克服的挑战。

3、类比设计方法通过借鉴和迁移已有的设计知识和经验，来生成新的设计概念。这种方法的优势在于能够保持设计的连贯性和一致性，尤其是在处理与现有设计相似的问题时。但是，这种方法的局限性在于，它通常只能生成与已有设计类似的方案，对于全新的设计问题，其创新能力有限。

4、生成设计方法，通过模拟设计创新过程，能够自动产生多种设计方案供设计师选择。这种方法的核心优势在于其出色的设计多样性和创新潜力。在住宅平面图设计领域，已经出现了一些利用生成对抗网络(gan)等先进技术进行自动化布局的方法，但它们在实际应用过程中仍面临一些挑战和局限性，例如未对住宅建筑轮廓进行限制、未对房间的数量以及类型进行限制等。

技术实现思路

1、本发明的目的在于提供一种基于生成对抗网络的轮廓和气泡图的室内布局生成方法，可根据提供的约束自动化生成住宅房屋平面布局。

2、基于生成对抗网络的轮廓和气泡图的室内布局生成方法是以条件生成对抗网络模型作为基础模型构建一个住宅房屋平面图生成框架(contour2layout)，是一个两阶段的生成模型。模型经过训练以后可以根据提供的住宅轮廓约束以及气泡图约束对布局进行生成，具体步骤如下：

3、步骤1：数据预处理。对rplan数据集进行处理以满足模型的训练要求，rplan是一个公开的从真实住宅建筑中手动收集的大规模密集注释平面图数据集。使用open cv库对rplan数据集进行语义化处理，即通过不同颜色标识不同类型的房间，并提取建筑的外轮廓得到轮廓图。处理后的建筑布局，即“功能性颜色编码平面图”，在去除门元素之后将作为数据集中的真实布局。以布局图为基础提取气泡图，根据房间的像素面积m通过固定算法映射生成该房间气泡的半径，其中房间的颜色、相对中心位置分别对应气泡图中气泡的颜色和圆心。第一阶段的数据集中每一对数据包括轮廓图、相应的气泡图以及对应的真实布局图。这种成对的数据组织方式确保模型能有效学习从抽象轮廓图和气泡图到具体实际布局的转换，从而提升生成布局的准确性和实用性。

4、步骤2：第一阶段训练基于轮廓图和气泡图进行布局的生成。将轮廓图和气泡图作为输入，经过特征融合层、下采样层、残差层、自注意力层和上采样层输出基本住宅建筑布局图。

5、步骤3：第二阶段训练基于住宅建筑布局图中各个房间的连接关系进行门元素的生成。将未带有门元素信息的基本布局图作为输入，经过下采样层、残差层、上采样层输出带有门的住宅建筑布局图。

6、步骤4：使用包含条件对抗网络损失、特征匹配损失以及整体布局分类损失对第一阶段的生成对抗网络模型进行训练。使用条件对抗网络损失，特征匹配损失对第二阶段的生成对抗网络模型进行训练。

7、进一步地，步骤1中在绘制气泡图过程中气泡半径和像素面积映射的固定算法的公式为：

8、r为气泡半径，m为像素面积。

9、进一步地，在步骤2中第一阶段模型的训练具体包括：(1)将轮廓图和气泡图输入到特征融合网络层中提取其中的关键特征信息。(2)提取得到的特征数据随后送入下采样层进行进一步处理，该层包含四个卷积层，每个卷积层都采用适当的卷积核、步长和填充策略，有效降低数据维度同时保留重要的特征信息。(3)下采样后的图像数据经过九个残差块的处理，每个残差块通过恒等映射和卷积操作增强模型的学习能力，并改进信息流通道。数据流通过自注意力层，该层帮助模型更好地聚焦和处理图像的关键部分，通过考虑不同位置的特征间的相关性，提高整体的特征表达能力。(4)处理过的图像数据进入上采样层，该层同样由四个卷积层构成，逐步恢复图像的原始尺寸并优化细节表现。通过上采样层的处理，输出基本室内布局生成图，其细节丰富且符合输入轮廓和气泡图的布局特征。

10、进一步地，在步骤3中第二阶段模型的训练过程具体包括：(1)将基本布局图输入到下采样层中进行处理，该层由四个卷积层组成，降低基本布局图的数据维度，同时保留重要特征信息。(2)将下采样处理完成的数据经过九个残差块的处理，每个残差块通过恒等映射和卷积操作增强模型的学习能力，并改进信息流通道。经过上采样中的四个卷积层逐步恢复图像的原始尺寸，输出带有门信息的室内布局生成图。

11、进一步地，在步骤4中模型的训练中使用条件对抗网络损失、特征匹配损失和整体布局分类损失，使得模型能够调整生成的住宅布局图，以确保每个房间的尺寸、位置和功能都符合预设的条件。条件生成对抗网络(cgan)损失通过最小-最大对抗过程来优化模型。特征匹配损失帮助模型在多个层次上学习和复制训练数据集中的布局特征，从而增强生成图像的结构相似性。整体布局分类损失则确保生成的住宅布局满足特定的房间类型和数量要求，通过这些损失函数的联合优化，模型能够生成更加实用和美观的住宅布局，同时提高模型对复杂布局要求的适应性和精确性。它们的计算方式具体如下。条件对抗网络损失其计算公式为：

12、

13、lcgan(g,d)为条件对抗网络损失的损失；

14、x为真实布局样本；

15、c为对应的标签信息(平面轮廓图和气泡图)；

16、d为判别器；

17、g为生成器；

18、为在真实数据样本和其对应标签的分布下，计算logd(x,c)的期望值。这是判别器试图正确识别真实样本为真实的部分；

19、为在所有真实数据样本的分布下，生成器g生成虚假样本g(x)，并计算log(1-d(x,g(x)))的期望值，这是判别器试图正确识别由生成器生成的样本为虚假的部分。

20、

21、lfm(g,dk)为对于生成器g和判别器dk的特征匹配损失；

22、s为输入条件样本即轮廓图以及气泡图；

23、y为相对应条件下的真实布局样本；

24、g为生成器；

25、为判别器dk在第i层的特征提取器；

26、t为层数总数；

27、ni为判别器dk在第i层的特征映射中的元素总数；

28、||·||1为l1范数；

29、为对所有可能的条件输入s和相应的真实布局样本y对的整个分布进行期望计算。

30、整体布局分类损失则用于确保生成的布局图满足特定的房间类型和数量要求，其计算方式为：

31、

32、lclassification为整体布局分类损失；

33、k为布局的类别总数；

34、k为第k个布局的类别；

35、yk为目标布局是否属于第k个类别；

36、pk为分类器预测输入生成的布局属于第k个类别的概率。

37、本发明的原理在于：利用生成对抗网络(gan)，通过图像生成领域中图像翻译技术将住宅轮廓图和气泡图转化为室内布局图。生成对抗网络包括两个主要部分：生成器和判别器。通过生成器生成图像，判别器用以评估这些图像的真实性。通过这种对抗过程，生成器不断学习如何改进其生成的图像，以使其更加真实和准确，从而最终能够产生高质量的室内布局图。

38、本发明与现有技术相比，具有如下优点：

39、(1)自动化和效率提升：通过自动化的图像生成过程，大大减少了人工绘制的需要，可提高设计的效率和速度。(2)高度个性化的设计：由于gan能够学习和模拟复杂的设计规则，本发明能够根据具体的轮廓图和气泡图输入，生成符合用户特定需求和偏好的个性化室内布局。这种高度的定制化是传统方法难以达到的。(3)减少设计差异：自动化的设计过程减少了由于人为因素导致的设计差异，如个人经验和审美差异，使得设计结果更加标准化，更好地满足市场需求。