Resumen:Tener en cuenta las características regionales de las propiedades intrínsecas y extrínsecas del espacio es una cuestión esencial en el diseño arquitectónico y la renovación urbana, que a menudo se logra paso a paso utilizando GAN basadas en imágenes y gráficos. Sin embargo, cada anidamiento de modelos y conversión de datos puede causar pérdida de información, y es necesario optimizar las herramientas para facilitar la participación de arquitectos y usuarios en el diseño. Por lo tanto, este estudio espera demostrar que I2I GAN también tiene el potencial de reconocer relaciones topológicas de forma autónoma. Por lo tanto, esta investigación propone un método para detectar rápidamente la capacidad de pix2pix para aprender relaciones topológicas, lo que se logra agregando dos módulos de detección basados en Grasshopper antes y después de GAN. Al mismo tiempo, se proporcionan datos cuantitativos y se visualiza su proceso de aprendizaje, y los cambios en diferentes modos de entrada, como escala de grises y RGB, afectan su eficiencia de aprendizaje. Hay dos innovaciones en este artículo: 1) Demuestra que pix2pix puede aprender automáticamente relaciones topológicas espaciales y aplicarlas al diseño arquitectónico. 2) Llena el vacío en la detección del rendimiento de la generación GAN basada en imágenes desde una perspectiva topológica. Además, el método de detección propuesto en este estudio requiere poco tiempo y es sencillo de operar. Los dos módulos de detección se pueden utilizar ampliamente para personalizar conjuntos de datos de imágenes con la misma estructura topológica y para la detección por lotes de relaciones topológicas de imágenes. En el futuro, este artículo puede proporcionar una base teórica y soporte de datos para la aplicación del diseño arquitectónico y la renovación urbana que utilizan GAN para preservar las características topológicas espaciales.
Publicado originalmente en export.arxiv.org el 25 de noviembre de 2025.
Ver fuente original
