基于空间语法的后训练住宅平面图生成
机器学习
2026-05-13 v2 计算机视觉与模式识别
摘要
住宅平面图生成需要不仅满足几何保真，还要满足空间配置逻辑：共享的生活空间应具可整合性，而私人空间应保持隔离。现有生成器越来越多地使用房间关系图作为输入侧条件，但生成的布局几乎不会在输出侧对配置质量进行评估，且此类评估也很少反馈到模型优化中。我们提出基于空间语法的后训练（SSPT），将空间语法整合从事后分析工具转化为已训练住宅平面图生成器的可计算反馈信号。SSPT 引入空间语法整合 oracle（SSIO），将生成的布局转换为矩形空间图，并衡量公共空间的主导性和功能层次。SSIO 首先应用于真实住宅数据，以建立经验的配置参考，然后连接到两种 SSPT 策略：SSPT-Iter 为基本的生成-筛选-再训练路线，SSPT-PPO 为首个基于强化学习的后训练路线。我们还引入 SSPT-Bench，一个用于衡量后训练生成器在分布外设置下输出侧空间配置质量的新评估系统。实验表明，两种策略都在未后训练的基线上提高了公共空间主导性和功能层次对齐。SSPT-PPO 在收益、方差和效率方面均优于迭代再训练。这些结果表明，输出侧配置评估可作为可操作的后训练反馈，为将建筑理论注入现有住宅平面图生成主干提供了实际路径。
引用
@article{arxiv.2602.22507,
title = {Space Syntax-guided Post-training for Residential Floor Plan Generation},
author = {Zhuoyang Jiang and Dongqing Zhang},
journal= {arXiv preprint arXiv:2602.22507},
year = {2026}
}