CoMa：基于视觉语言模型的上下文体量生成
计算机视觉与模式识别
2026-01-14 v1 人工智能
摘要
建筑与城市规划中的概念设计阶段，特别是建筑体量设计，非常复杂且严重依赖设计师的直觉和人工工作。为解决这一问题，我们提出了一种基于功能需求和场地环境自动生成建筑体量的框架。此类数据驱动方法面临的一个主要障碍是缺乏合适的数据集。因此，我们引入了 CoMa-20K 数据集，这是一个综合性的集合，包含详细的体量几何结构、相关的经济和规划数据，以及开发场地在其现有城市环境中的视觉表示。我们通过将体量生成表述为视觉语言模型 (VLMs) 的条件任务来对该数据集进行基准测试，评估了微调模型和大型零样本模型。我们的实验揭示了该任务固有的复杂性，同时展示了 VLMs 生成对环境敏感的体量方案的潜力。该数据集和分析确立了基础基准，并突显了数据驱动建筑设计未来研究的重大机遇。
引用
@article{arxiv.2601.08464,
title = {CoMa: Contextual Massing Generation with Vision-Language Models},
author = {Evgenii Maslov and Valentin Khrulkov and Anastasia Volkova and Anton Gusarov and Andrey Kuznetsov and Ivan Oseledets},
journal= {arXiv preprint arXiv:2601.08464},
year = {2026}
}
备注
Code and dataset will be released later