Sentetik Veriyle Gan Eğitimi: Yz Tabanlı Mimari Yerleşim Oluşturma için Çift Katmanlı Bir Yaklaşım

Abstract

Mimari plan üretimi, onlarca yıldır önemli bir araştırma konusu olmuştur. Son yıllarda, GAN'lar, CNN'ler ve GNN'ler gibi yapay zeka modelleri mimari planlar üretmek için kullanılmaktadır. Literatürde önemli başarılar kaydedilmiş olsa da, çeşitli zorluklar devam etmektedir. Literatürde en sık bahsedilen sorun, düzenlenmiş yüksek kaliteli veri setlerinin eksikliğidir. Büyük veri setleri mevcut olsa da, farklı senaryolar, tarzlar veya kültürlere hizmet edebilecek kadar kapsayıcı değillerdir. Ayrıca, çizimlerin toplanması, elenmesi, temizlenmesi, maskeleme ve etiketleme gibi ön işleme görevleri manuel emek gerektirmektedir. Bu görevler hata ve önyargılara açık olduğu gibi aynı zamanda zaman alıcıdır. Bu sebeple, yapay zeka modellerinin eğitilmesindeki zorluklar nedeniyle, yüksek kaliteli ve önyargısız veri setleri oluşturmak için sentetik veri kullanımı olası bir alternatif olarak ortaya çıkmaktadır. Bu çalışma, model eğitimi için temel bir veri seti olarak hizmet etmek üzere, bir yatak odalı dairelerin mimari planlarını üretme bağlamına odaklanmaktadır. Önerilen yaklaşım iki katmanlı bir metodoloji sunmaktadır. İlk olarak, yerel yönetmeliklere dayanan ve p5.js üzerine kurulan bir üretken algoritma, mimari planları otonom ve rastgele bir şekilde üretmektedir. Daha sonra, geleneksel yapay zeka odaklı çalışmaların aksine, üretilen sentetik veri seti ile bir GAN eğitilmektedir. Sentetik verilerden faydalanarak, yalnızca modelin eğitim sürecini optimize edilmesi değil, aynı zamanda mimari planları özünde ham ve öznel nüanslardan arındırılmış bir şekilde üretilmesi hedeflenmiştir. Bu çalışma, sentetik verilerin yapay zeka destekli mimari plan üretim sürecinde önemli bir rol oynayabileceğini, veri seti kalitesini, çeşitliliğini ve uyarlanabilirliğini artıran yapılandırılmış bir çerçeve sunduğunu göstermektedir.

Architectural layout generation has been a prominent research topic for decades. Recently, AI models such as GANs, CNNs, and GNNs have been utilized to generate architectural layouts. Although there has been notable success in the literature, several challenges persist. The most frequently mentioned one in the literature is the lack of curated high-quality datasets. While large datasets exist, they are still not comprehensive enough to serve diverse scenarios, styles, or cultures. Further, the preprocessing tasks such as gathering drawings, screening, cleaning, masking, and labeling require manual labor. Since these tasks are prone to errors and biases, they are also time-consuming. Thus, due to the challenges in training AI models, the use of synthetic data appears as a possible alternative to generate high-quality and unbiased datasets. This work focuses on a specific context, generating architectural layouts for one-bedroom flats to serve as a basic training dataset. The proposed approach introduces a dual-layered methodology. Initially, a generative algorithm powered by p5.js autonomously and randomly generates architectural layouts within the local regulatory constraints. Subsequently, unlike traditional works on AI-driven systems, a GAN is trained with the generated synthetic dataset. By leveraging synthetic data for training, we not only aim to optimize the training process but also to create architectural layouts raw in their essence and devoid of subjective nuances. This study demonstrates that synthetic data can play a significant role in the AI-driven architectural layout generation process, offering a structured framework that enhances dataset quality, diversity, and adaptability.