ArchShapeNet：用于评估建筑形状的可解释 3D-CNN 框架
计算机视觉与模式识别
2025-06-19 v1 人工智能
摘要
在当代建筑设计中，设计需求的日益复杂和多样化使得快速生成初始概念并探索新颖 3D 形式的生成插件工具至关重要。然而，客观分析人类设计与机器生成 3D 形式之间的差异，仍然是一个挑战，这限制了我们理解其各自优势的能力，并阻碍了生成工具的进步。为此，我们构建了 ArchForms-4000 数据集，包含 2000 个由建筑师设计和 2000 个由 Evomass 生成的 3D 形式；提出 ArchShapeNet，一个专为分类和分析建筑形式而设计的 3D 卷积神经网络，集成了显著模块，用于突出与建筑推理相符的关键空间特征；并进行了比较实验，表明我们的模型在区分形式来源方面超越了人类专家，准确率为 94.29%，精确率为 96.2%，召回率为 98.51%。本研究不仅凸显了人类设计形式在空间组织、比例和谐与细节精炼方面的独特优势，也为提升生成式设计工具提供了宝贵的见解。
引用
@article{arxiv.2506.14832,
title = {ArchShapeNet:An Interpretable 3D-CNN Framework for Evaluating Architectural Shapes},
author = {Jun Yin and Jing Zhong and Pengyu Zeng and Peilin Li and Zixuan Dai and Miao Zhang and Shuai Lu},
journal= {arXiv preprint arXiv:2506.14832},
year = {2025}
}
备注
22 pages, 8 figures