Gen AI 기반 3D 렌더링 그래픽 평면도 자동 생성

최수형; 남태식; 이진국

추천

검색

자료유형: 학술저널

저자정보: 최수형 (연세대학교) 남태식 (연세대학교) 이진국 (연세대학교)

저널정보: 한국공간디자인학회 한국공간디자인학회 논문집 한국공간디자인학회 논문집 제18권 제7호

발행연도: 2023.10

수록면: 263 - 272 (10page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

(연구배경 및 목적) 본 연구는 건축 시각화의 자동화에 중점을 두며, 특히 AI 이미지 생성 기술을 활용한 건축 도면의 시각적 표현 형식을 반영한 생성 자동화에 대한 연구를 수행한다. 건축 도면은 역사적으로 전문가와 비전문가 모두에게 설계 정보를 전달하는 데 중요한 역할을 해왔다. 그러나 건축 데이터의 양과 복잡성이 계속해서 증가함에 따라 이러한 도면을 만드는 데 필요한 자원이 점점 더 많아지고 있다. 또한 다양한 의사소통 목표로 인해 도면 데이터의 다양한 시각적 표현 형식이 필요하게 되었다. 최근 대규모 언어 모델 (LLM)을 포함한 AI 이미지 생성 기술의 발전은 혁신적인 이미지 생성 접근방법을 가능하게 한다. 이 연구는 이러한 기술을 도면 생성에 적용하여 설계 시각화에 대한 새로운 접근 방식을 제시하고자 한다. (연구방법) 본 연구에서는 이미지 생성 AI 모델의 생성 성능을 확인하기 위한 테스트를 수행하여 약 10,000개의 도면 이미지를 생성했다. 테스트 결과 생성 대상과 관련된 전문 지식을 일반화하는 것의 중요성과 추가학습을 통한 AI 모델을 구축하기 위한 기술적 방법론의 중요성이 확인되었다. 둘째, 건축 도면과 관련된 전문 지식을 일반화하기 위한 작업을 수행했다. 추가학습을 위한 기술적 방법론은 1) 데이터 준비, 2) 하이퍼파라미터 최적화 3) 훈련으로 세 단계로 분류되었다. 해당 접근 방식은 다양한 도면 생성 시나리오를 통해 적용 가능성이 확인되었다. (결과) 본 연구의 결과물은 연구자가 의도한 의사소통 목표에 부합하는 시각화 스타일을 갖는 건축 도면 이미지를 생성할 수 있는 AI 모델로 구축되었다. 구축된 모델을 기반으로 일반적인 AutoCAD 스타일의 도면을 입력값으로 부동산 등 효과적인 공간 디자인 설계안을 제시하기 위한 3D 렌더링 그래픽 스타일 동일한 구조를 갖는 평면도 이미지로서 새롭게 생성할 수 있게 되었다. 이 도구는 초기 설계 정보의 시각화를 간소화하여 자연어를 기반으로 비전문가와 설계 지식이 제한된 일반인에게도 쉽게 접근 가능하게 한다. (결론) 이 연구는 건축 시각화와 설계 의사소통 분야에서 이미지 생성 AI의 잠재력을 강조한다. 건축 도면 이미지 생성을 자동화함으로써 효율성을 향상시키는 것뿐만 아니라 다양한 사용자를 대상으로 설계 시각화의 범위를 확대한다. 또한 본 연구는 건축 설계가 어떻게 전달되고 이해되는지 재구성하는 데 AI 기술이 중요한 역할을 수행할 수 있다는 가능성을 확인했다. 본 연구는 AI 기반 사용자 중심 설계안 이미지 생성이 가지고 있는 가능성을 보여주며, 건축 설계 분야에서 새로운 접근법을 제시할 것으로 기대된다.

(Background and Purpose) This study focuses on the automation of architectural visualization, particularly the research on automated generation reflecting the visual representation format of architectural drawings using AI image generation technology. Architectural drawings have historically played a crucial role in conveying design information to both experts and non-experts. However, as the quantity and complexity of architectural data continue to increase, the resources required to create these drawings are becoming more demanding. Additionally, due to various communication objectives, diverse visual representation formats of drawing data have become necessary. The recent advancements in AI image generation technologies, including Large Language Models (LLMs), enable innovative approaches to image generation. This research aims to apply such technology to drawing generation and propose new approaches to design visualization. (Method) In this study, image generation tests were conducted to verify the generation performance of AI image generation models, resulting in the creation of approximately 10,000 drawing images. The importance of generalizing domain-specific knowledge related to the generation targets and the technical methodology for constructing AI models through additional training were confirmed. Second, tasks were carried out to generalize domain-specific knowledge related to architectural drawings. The technical methodology for additional training was categorized into three steps: 1) data preparation, 2) hyperparameter optimization, and 3) training. This approach was validated through various drawing generation scenarios. (Results) The outcome of this study is an AI model capable of generating architectural drawing images with visualization styles that align with the communication objectives of the researchers. Based on this model, it became possible to create 3D rendering graphics style floor plan images with the same structure as typical AutoCAD-style drawings, using regular AutoCAD-style drawings as input, to present effective spatial design concepts for real estate and other purposes. This tool simplifies the visualization of initial design information, making it easily accessible to non-experts with limited design knowledge, based on natural language. (Conclusions) In conclusion, this research emphasizes the potential of image generation AI in the fields of architectural visualization and design communication. By automating the generation of architectural drawing images, it not only enhances efficiency but also expands the scope of design visualization to a wider range of users. Furthermore, this study highlights the possibility that AI technology plays a crucial role in redefining how architectural designs are conveyed and understood. It demonstrates the potential of AI-based user-centered design concept image generation and is expected to provide new approaches in the field of architectural design.

#건축 도면 #평면도 #딥 러닝 #생성형 인공지능 #대규모 언어 모델 #Architectural Drawing #Deep Learning #Floor Plan #Generative AI #Large Language Model

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)