流体灰度 2：生成对抗网络在匹配图像建筑中学习更深层拓扑结构的能力如何？
人工智能
2025-11-25 v1 计算机视觉与模式识别
机器学习
摘要
考虑内在与外在属性空间区域特征是建筑设计和城市更新中的关键问题，通常通过图像和图基生成对抗网络逐步实现。然而，模型嵌套和数据转换可能导致信息损失，亟需简化工具以促进建筑师和用户参与设计。因此，本研究旨在证明图像到图像生成对抗网络（I2I GAN）也具备自动识别拓扑关系的潜力。研究提出一种快速检测 pix2pix 学习拓扑关系能力的方法，通过在 GAN 前后添加两个基于 Grasshopper 的检测模块。提供定量数据并可视化学习过程，分析不同输入模式（如灰度和 RGB）对学习效率的影响。本文有两项创新：1）证明 pix2pix 能自动学习空间拓扑关系并用于建筑设计；2）从拓扑视角填补图像生成 GAN 性能检测的空白。此检测方法运行时间短且操作简便。两个检测模块可广泛应用于具有相同拓扑结构的定制图像数据集，以及图像拓扑关系的批量检测。在未来，本文为采用 GAN 保留空间拓扑特征的建筑设计和城市更新提供理论基础和数据支持。
引用
@article{arxiv.2511.17643,
title = {Fluid Grey 2: How Well Does Generative Adversarial Network Learn Deeper Topology Structure in Architecture That Matches Images?},
author = {Yayan Qiu and Sean Hanna},
journal= {arXiv preprint arXiv:2511.17643},
year = {2025}
}