CN113963104A - 基于gan模型生成的布局图像的三维立体模型生成方法 - Google Patents
基于gan模型生成的布局图像的三维立体模型生成方法 Download PDFInfo
- Publication number
- CN113963104A CN113963104A CN202111052463.9A CN202111052463A CN113963104A CN 113963104 A CN113963104 A CN 113963104A CN 202111052463 A CN202111052463 A CN 202111052463A CN 113963104 A CN113963104 A CN 113963104A
- Authority
- CN
- China
- Prior art keywords
- model
- dimensional
- layout
- module
- color
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013256 Gubra-Amylin NASH model Methods 0.000 title claims abstract description 36
- 238000013461 design Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 26
- 241000254032 Acrididae Species 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005034 decoration Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000003631 expected effect Effects 0.000 claims description 2
- 230000009469 supplementation Effects 0.000 claims 1
- 238000007670 refining Methods 0.000 abstract description 2
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 241000282806 Rhinoceros Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开的一种基于GAN模型生成的布局图像的三维立体模型生成方法包括以下步骤：S1、布局信息提取，对各功能色块的像素网格进行点群提取，形成基于点群的形体拟合边界；S2、形体边界优化，根据建筑体量生成的回归线与朝向倾斜度的关系进行比对，自动判断并修正建筑边界信息，得到清晰明确的矢量化建筑轮廓；S3、预制模块化构件置入，结合标准化单元与非标准化单元中的预制模块化设计思路进行模块置入；S4、模型细化，在上述模块置入完成的基础上进行了模型细节补充；S5、测试模型，输入由GAN模型生成的二维布局图像，最终输出相应的三维生成方案。
Description
技术领域
本发明属于数字建筑三维建模技术领域，具体为基于GAN模型生成的布局图像的三维立体模型生成方法。
背景技术
随着建筑设计领域中人工智能技术的进一步发展，应用生成对抗神经网络(GAN)能够成功地训练和建立平面布局设计的生成器和判别器，并根据不同场地边界+条件的输入，快速得到新的布局方案。然而，受限于GAN模型自身的神经网络结构及训练算法的限制，利用GAN模型生成的布局图像结果往往存在色块边界模糊、功能区分度不高的缺陷。同时，真实的建筑是具有三维特征的空间形体，基于GAN模型生成的二维图像直接转译为三维模型存在建筑形体不完整，功能与空间之间的相互关系不符等问题，这也是 GAN模型应用在建筑规划生成式设计的相关研究中普遍存在的问题。与此同时，传统的三维建模方法能够通过复杂的操作规则实现建模精度的提升，但这也需要专业建筑师需要花费大量时间进行模型调整，在很大程度上增加了建筑师与机器学习成果之间的交互难度(基于建筑图纸的建筑物自动建模方法CN108363867A)。
发明内容
本发明的目的在于提供一种基于GAN模型生成总平布局的二维图像识别与三维立体生成方法，以三维建模平台为操作端，以Grasshopper图形化编程语言进行后台运算，并通过电池建立二者之前的联系。通过二次开发出自定义的电池，形成三维平台与Grasshopper的交互接口，以此完成三维模型的重建过程。其优点在于针对模糊布局图像进行边界识别与优化调整，利用装配式模块构件置入的方法，以此完成模型生成。
本发明至少通过如下技术方案之一实现。
基于GAN模型生成的布局图像的三维立体模型生成方法，包括以下步骤：
步骤1、通过预先训练完成的生成对抗网络模型(GAN模型)生成所需要的建筑布局方案，得到二维布局图像作为基础数据；
步骤2、将生成的二维布局图像输入到基于犀牛软件参数化建模平台(Grasshopper)中，通过可传输参数的Grasshopper电池组建立三维建模平台，并通过犀牛软件实时可视化界面显示Grasshopper电池组生成的模型结果；
步骤3、通过Grasshopper中的色彩元件对步骤2中输入的二维图像中的像素网格进行RGB颜色数值提取，得到对应不同功能布局信息的矢量化颜色图形和颜色边界；
步骤4、优化矢量化后的图形的边界；
步骤5、将布局空间分成若干模块空间，并对各个模块空间进行布局；
步骤6、对各个模块空间进行装饰；
步骤7、通过犀牛软件的可视化界面预览或渲染导出步骤6生成的三维生成模型相应格式文件。
优选的，所述生成对抗神经网络包括判别器和生成器。
优选的，生成对抗网络的训练过程包括以下步骤：
(1)构建图像数据集：按照三维布局模型生成目标，收集和筛选符合要求的建筑布局设计案例作为得到图像数据集，将图像数据集划分为训练集和测试集；
(2)使用训练集训练GAN模型；
(3)将测试集输入训练好的GAN模型中，查看GAN模型输出的图像数据是否达到预期效果。
优选的，步骤3包括以下步骤：
步骤301、在犀牛软件参数化建模平台中，利用电池组对步骤1得到的二维输入图像提取RGB数值信息，利用在图像数据集构建过程中结合建筑学知识与训练要求进行的图像数据标注规则设计：不同的RGB通道颜色信息来区分用地、周边道路、不同的功能建筑、环形跑道以及出入口的标注规则，将同一RGB 数值的像素网格视为同一功能；
步骤302、提取同一功能颜色区块范围内的群组数据，利用不同像素的各通道信息形成网格阵列，使得相同颜色点群形成功能点群，以实现各功能要素的点群映射；
步骤303、将同一范围内的功能点群数据进行散点边界线的求取，得到同一颜色区块的矢量边界范围及其代表的方向和长度信息。
步骤4具体为：对由矢量边界轮廓线围合形成的颜色区块进行中心回归线提取，并对回归线段进行平均倾角计算，将所有回归线进行调整，使得各颜色区块间形成相互平行的关系。
优选的，步骤5具体为：
步骤501、构建包括标准单元模块库与非标准单元模块库，单元模块以步骤 4得到的图形中心点为基准，以图形轮廓线的颜色信息、长度、朝向信息为限制条件，对应不同单元模块的置入；
步骤502、标准单元模块库以装配式单元房间作为基本模块，预设基本模块尺寸，对顶面、墙体、地面及装饰进行装配，并生成辅助空间；所述辅助空间包括卫生间及楼梯间；
步骤503、构建非标准单元辅助功能模块，所述非标准单元辅助功能模块包括体育运动设施，非标准单元辅助功能模块中的设施根据颜色区块的中心点位置以模块组件形式置入。
优选的，所述辅助空间为基本模块尺寸的1/2～1/3。
优选的，在标准单元模块与非标准单元模块的基础上进行建立三维立体模型以及场地道路信息的补充与完善。
优选的，所述三维立体模型包括建筑栏杆、门窗、花池的增加。
优选的，所述三维立体模型通过交互界面的实时渲染模式进行可视化展示，或者导出3ds、Obj三维模型格式
与现有的技术相比，本发明的有益效果为：
本发明公开的一种基于GAN模型生成总平布局的二维图像识别与三维立体生成方法，通过将机器学习模型生成的而为模糊图像输入参数化建模平台，利用Grasshopper节点编程功能，将所述图像数据自动生成三维实体模型。与现有技术相比，设计人员只需通过简单的导入图像、修改参数、运行程序和导出设计，操作简易，且构建了装配式模块化的模型基础，该方法可以广泛应用于具有模块化单元的建筑类型的三维生成过程中，如中小学、幼儿园、酒店等，在建筑设计行业具有推广价值，实现了从二维模糊布局图像生成三维立体模型，提高建模工作效率的同时，也为下一步实现工业标准化生产与现场的机械装配施工建立了数字化模型基础。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式。
图1是本实施例公开的一种基于GAN模型生成总平布局的二维图像识别与三维立体生成方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示本发明基于GAN模型生成总平布局的二维图像识别与三维立体生成方法的总体流程图，方法具体包括如下步骤：
步骤1、获取平面布局方案。通过预先训练完成的生成对抗网络模型(GAN 模型)生成所需要的建筑布局方案，得到了一张256pix*256pix大小的二维布局图像(jpeg)作为基础数据。
所述GAN模型可以替换为其他神经网络模型，如通过训练完成的卷积神经网络(CNN模型)，以实现建筑布局方案的迁移生成，并得到了一张 256pix*256pix大小的二维布局图像(jpeg)作为基础数据。
步骤2、将二维布局图像以拾取方式输入到基于Rhino(犀牛)的Grasshopper (蚱蜢)参数化建模软件中。通过编程制作可用传输参数的Grasshopper电池一个Grasshopper电池即一个运算器)，通过将不同功能的电池依次连接以实现数据读取与输出，生成点、线、面、体等操作，并通过Rhino实时可视化界面显示Grasshopper生成的结果；
所述电池包括人机交互模块。电池属于对Grasshopper的二次开发，主要使用C#语言。电池是Grasshopper中的一个专有名词，一个电池即一个运算器，可以通过不同的电池连接实现建模过程。
所述GAN(生成对抗网络模型)是一种从图像生成图像的人工智能模型，可以实现基于用地周围道路以及用地形状的群体建筑总平布局方案的生成。
所述生成对抗网络包括判别器(Discriminator)和生成器(Generator)；生成对抗网络的训练过程是一个自我博弈的过程，由于其能够出色地解决从图像至图像的翻译转换问题，被广泛运用在建筑空间布局生成中。前期的GAN模型训练过程包括图像数据集构建、GAN模型训练、及GAN模型测试，直至完成满意的布局图像生成结果。训练完成的模型能够实现从一张周边用地条件图像的输入，输出带有一定规律的建筑布局图像的结果生成。
生成对抗网络的训练过程包括以下步骤：
(1)构建图像数据集：按照三维布局模型生成目标，收集和筛选符合要求的建筑布局设计案例(如中小学校园、酒店等布局图像)，并结合建筑方案设计中对于总平布局的设计要求进行数据标注规则设计，具体要求如下：
①为总平布局中的不同功能要素(如用地范围、周边道路、不同的功能建筑及主要出入口)分配一个0～255范围内的RGB强度值，使得各颜色色块有明显的区分度；
②将上述色块按一定比例调整大小，并根据布局设计要求排在 256pix*256pix大小的白色背景图像上。
由此得到标注完成的图像数据集，将图像数据集划分为训练集和测试集；
(2)使用训练集训练GAN模型；
(3)将带有场地条件的测试集输入训练好的GAN模型中，输出布局结果，并与真实样本比较，同时也结合建筑学知识对输出结果进行布局合理性的判断，以此检验模型训练效果，并得到需要进行三维生成的布局图像；
步骤3、构建布局信息自动提取模块，以此完成布局信息的矢量化提取过程，包括以下步骤：
3.1、通过Grasshopper电池中的色彩元件对步骤2中输入的二维图像中的像素网格进行RGB颜色数值提取，得到对应不同功能布局信息的矢量化颜色图形和颜色边界；
3.2、通过提取同一RGB色块区域内的群组数据，利用256像素X 256像素的各通道信息形成网格阵列，使得相同颜色点群形成了一定范围的功能点群，由此实现各功能要素的点群映射；
3.3、将同一范围内的功能点群数据进行散点边界线的求取，得到同一颜色区块的矢量边界范围以及建筑体块的方向和长度信息。
步骤4、构建形体边界优化模块，以此完成布局信息的边界优化过程；边界优化具体为：对由矢量边界轮廓线围合形成的图形进行中心回归线提取，并对回归线段进行平均倾角计算，将所有回归线进行一定角度的自动扭转调整，使得各图形间形成相互平行的关系。
步骤5、构建预制模块化构件置入模块，以此完成装配式模块化生成，包括以下步骤：
5.1、构建包括标准单元模块库与非标准单元模块库。单元模块以步骤4得到的图形中心点为基准，以图形轮廓线的颜色信息、长度、朝向信息为限制条件，对应不同单元模块的置入；
5.2、标准单元模块库以装配式单元房间作为基本模块，基本模块尺寸预设为8m*10m，并通过顶面、墙体、地面及装饰功能四大装配式界面完成单元的生成。卫生间及楼梯间等辅助空间模块可以以1/2、1/3的标准模块单元进行组合生成；
5.3、构建非标准单元辅助功能模块，可以根据颜色区块内的几何中心点的位置直接以组件形式置入；所述非标准单元辅助功能模块包括200米～400米足球场及大中小型尺寸的体育馆等体育运动设施。
步骤6、构建模型细化模块，以此完成三维形体的细部生成过程；该模块运行原理为：在上述标准单元模块与非标准单元模块置入完成的基础上进行三维立体模型细节的编写，其中包括建筑栏杆、门窗、花池的增加，以及场地道路信息的补充与完善。
步骤7、通过上述步骤实现了模型的三维生成，可以通过Rhino的可视化界面预览或渲染导出相应格式文件(3ds，jpeg等)，得到最终所需的三维生成方案。
下面将借助一个实例来展示本发明，该实例具体应用于小学校园的三维立体模型的生成：
(一)获取平面布局方案并输入建模平台
步骤1、通过训练完成的Ai小学校园布局生成助手(GAN模型)生成所需要的校园布局方案，得到了一张256pix*256pix像素大小的二维图像(jpeg)作为基础数据。
步骤2、将布局图像以拾取方式输入到基于Rhino程序的Grasshopper参数化建模平台中。
(二)布局信息提取模块
步骤3、通过Grasshopper电池中的色彩元件读取步骤2中输入的二维图像中像素网格的RGB颜色数值，相同颜色数值形成同一的功能像素格点群。并根据同一颜色点群进行轮廓线和图形中心点的求取；
(三)形体边界优化模块
步骤4、对由矢量边界轮廓线围合形成的图形进行中心回归线提取，并对回归线段进行平均倾角计算，将所有图形的回归线进行一定角度的自动扭转调整，使得各图形间形成相互平行的关系。
(四)预制模块构建置入模块
步骤5、针对小学建筑的特点，构建包括标准单元模块与非标准单元模块库。单元模块以步骤4得到的图形中心点为基准，以图形轮廓线的颜色信息、长度、朝向信息为限制条件，对应不同单元模块的置入；
标准单元模块库以装配式教学单元作为基本模块，基本模块尺寸预设为 8m*10m，并通过顶面、墙体、地面及装饰功能四大装配式界面完成单元的生成。卫生间及楼梯间等辅助空间模块可以以1/2、1/3的标准模块单元进行组合生成；
非教学单元模块库构建了预设固定尺寸体育运动设施等模块构建，可以根据图形中心点的位置直接以模块组件的形式置入；所述非标准单元辅助功能模块包括200米～400米足球场及大中小型尺寸的体育馆等体育运动设施。
(五)装饰模块
在上述标准单元模块与非标准单元模块置入完成的基础上进行三维立体模型细节的编写，其中包括建筑走廊栏杆、门窗、花池等细节的增加，以及场地道路信息的补充与完善。
(六)方案导出模块
通过上述步骤实现了模型的三维生成，可以通过Rhino的可视化界面预览或渲染导出相应格式文件(3ds，jpeg等)，得到最终所需的三维生成方案。
本发明可以应用在大学校园的布局生成中，通过改变步骤1中训练GAN模型训练中布局生成的应用目标，可以实现小学校园的布局生成。
本发明可以应用在工业园区的布局生成中，通过改变步骤1中训练GAN模型训练中布局生成的应用目标，可以实现工业园区的布局生成。
本发明可以应用在酒店园区的布局生成中，通过改变步骤1中训练GAN模型训练中布局生成的应用目标，可以实现酒店园区的布局生成。
以上所述仅为本发明的实施例及运用技术原理。本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和代替而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，不限于本实施例所述。
Claims (10)
1.基于GAN模型生成的布局图像的三维立体模型生成方法，其特征在于，包括以下步骤：
步骤1、通过预先训练完成的生成对抗网络模型生成所需要的建筑布局方案，得到二维布局图像作为基础数据；
步骤2、将生成的二维布局图像输入到基于犀牛软件参数化建模平台(Grasshopper)中，通过可传输参数的Grasshopper电池组建立三维建模平台，并通过犀牛软件实时可视化界面显示Grasshopper电池组生成的模型结果；
步骤3、通过Grasshopper中的色彩元件对步骤2中输入的二维图像中的像素网格进行RGB颜色数值提取，得到对应不同功能布局信息的矢量化颜色图形和颜色边界；
步骤4、优化矢量化后的图形的边界；
步骤5、将布局空间分成若干模块空间，并对各个模块空间进行布局；
步骤6、对各个模块空间进行装饰；
步骤7、通过犀牛软件的可视化界面预览或渲染导出步骤6生成的三维生成模型相应格式文件。
2.根据权利要求1所述的基于GAN模型生成的布局图像的三维立体模型生成方法，其特征在于，所述生成对抗神经网络包括判别器和生成器。
3.根据权利要求1所述的基于GAN模型生成的布局图像的三维立体模型生成方法，其特征在于，生成对抗网络的训练过程包括以下步骤：
(1)构建图像数据集：按照三维布局模型生成目标，收集和筛选符合要求的建筑布局设计案例作为得到图像数据集，将图像数据集划分为训练集和测试集；
(2)使用训练集训练生成对抗网络模型；
(3)将测试集输入训练好的生成对抗网络模型中，查看生成对抗网络模型输出的图像数据是否达到预期效果。
4.根据权利要求1所述的基于GAN模型生成的布局图像的三维立体模型生成方法，其特征在于，步骤3包括以下步骤：
步骤301、在犀牛软件参数化建模平台中，利用电池组对步骤1得到的二维输入图像提取RGB数值信息，利用在图像数据集构建过程中结合建筑学知识与训练要求进行的图像数据标注规则设计：不同的RGB通道颜色信息来区分用地、周边道路、不同的功能建筑、环形跑道以及出入口的标注，将同一RGB数值的像素网格视为同一功能；
步骤302、提取同一功能颜色区块范围内的群组数据，利用不同像素的各通道信息形成网格阵列，使得相同颜色点群形成功能点群，以实现各功能要素的点群映射；
步骤303、将同一范围内的功能点群数据进行散点边界线的求取，得到同一颜色区块的矢量边界范围及其代表的方向和长度信息。
5.根据权利要求1所述的基于GAN模型生成的布局图像的三维立体模型生成方法，其特征在于，步骤4具体为：对由矢量边界轮廓线围合形成的颜色区块进行中心回归线提取，并对回归线段进行平均倾角计算，将所有回归线进行调整，使得各颜色区块间形成相互平行的关系。
6.根据权利要求1所述的基于GAN模型生成的布局图像的三维立体模型生成方法，其特征在于，步骤5具体为：
步骤501、构建包括标准单元模块库与非标准单元模块库，单元模块以步骤4得到的图形中心点为基准，以图形轮廓线的颜色信息、长度、朝向信息为限制条件，对应不同单元模块的置入；
步骤502、标准单元模块库以装配式单元房间作为基本模块，预设基本模块尺寸，对顶面、墙体、地面及装饰进行装配，并生成辅助空间；所述辅助空间包括卫生间及楼梯间；
步骤503、构建非标准单元辅助功能模块，所述非标准单元辅助功能模块包括体育运动设施，非标准单元辅助功能模块中的设施根据颜色区块的中心点位置以模块组件形式置入。
7.根据权利要求6所述的基于GAN模型生成的布局图像的三维立体模型生成方法，其特征在于，所述辅助空间为基本模块尺寸的1/2～1/3。
8.根据权利要求6所述的基于GAN模型生成的布局图像的三维立体模型生成方法，其特征在于，在标准单元模块与非标准单元模块的基础上进行建立三维立体模型以及场地道路信息的补充与完善。
9.根据权利要求8所述的基于GAN模型生成的布局图像的三维立体模型生成方法，其特征在于，所述三维立体模型包括建筑栏杆、门窗、花池的增加。
10.根据权利要求9所述的基于GAN模型生成的布局图像的三维立体模型生成方法，其特征在于，所述三维立体模型通过交互界面的实时渲染模式进行可视化展示，或者导出3ds、Obj三维模型格式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052463.9A CN113963104B (zh) | 2021-09-08 | 2021-09-08 | 基于gan模型生成的布局图像的三维立体模型生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052463.9A CN113963104B (zh) | 2021-09-08 | 2021-09-08 | 基于gan模型生成的布局图像的三维立体模型生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113963104A true CN113963104A (zh) | 2022-01-21 |
| CN113963104B CN113963104B (zh) | 2024-04-26 |
Family
ID=79461258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111052463.9A Active CN113963104B (zh) | 2021-09-08 | 2021-09-08 | 基于gan模型生成的布局图像的三维立体模型生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113963104B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114816381A (zh) * | 2022-04-21 | 2022-07-29 | 中南建筑设计院股份有限公司 | 建筑工程mbd三维标注方法、电子设备及存储介质 |
| CN115661603A (zh) * | 2022-12-15 | 2023-01-31 | 浙江大学 | 一种基于非模态布局补全的图像生成方法 |
| CN116451324A (zh) * | 2023-04-17 | 2023-07-18 | 中国建筑装饰集团有限公司 | 一种适用于基层结构块材饰面的三维排版系统及使用方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111696068A (zh) * | 2019-03-14 | 2020-09-22 | 杭州朝厚信息科技有限公司 | 利用人工神经网络产生表示目标牙齿布局的数字数据集的方法及计算机系统 |
| CN112052503A (zh) * | 2020-09-04 | 2020-12-08 | 东南大学 | 一种基于人工智能的商业街区建筑体块生成的方法 |
-
2021
- 2021-09-08 CN CN202111052463.9A patent/CN113963104B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111696068A (zh) * | 2019-03-14 | 2020-09-22 | 杭州朝厚信息科技有限公司 | 利用人工神经网络产生表示目标牙齿布局的数字数据集的方法及计算机系统 |
| CN112052503A (zh) * | 2020-09-04 | 2020-12-08 | 东南大学 | 一种基于人工智能的商业街区建筑体块生成的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 魏力恺;: "建筑数字史学：面向人工智能的建筑大数据"新考古"", 建筑学报, no. 02, 20 February 2020 (2020-02-20) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114816381A (zh) * | 2022-04-21 | 2022-07-29 | 中南建筑设计院股份有限公司 | 建筑工程mbd三维标注方法、电子设备及存储介质 |
| CN114816381B (zh) * | 2022-04-21 | 2024-02-02 | 中南建筑设计院股份有限公司 | 建筑工程mbd三维标注方法、电子设备及存储介质 |
| CN115661603A (zh) * | 2022-12-15 | 2023-01-31 | 浙江大学 | 一种基于非模态布局补全的图像生成方法 |
| CN116451324A (zh) * | 2023-04-17 | 2023-07-18 | 中国建筑装饰集团有限公司 | 一种适用于基层结构块材饰面的三维排版系统及使用方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113963104B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113963104B (zh) | 基于gan模型生成的布局图像的三维立体模型生成方法 | |
| CN112651059B (zh) | 一种基于人工智能的控规地块城市设计多方案生成方法 | |
| WO2022047960A1 (zh) | 一种基于人工智能的商业街区建筑体块生成的方法 | |
| WO2022047959A1 (zh) | 一种提升风环境的人工智能城市设计形态布局方法 | |
| CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
| CN110322564B (zh) | 一种适用于vr/ar的变电站运行环境的三维模型构建方法 | |
| CN107451609A (zh) | 基于深度卷积神经网络的肺结节图像识别系统 | |
| CN110288695A (zh) | 基于深度学习的单帧图像三维模型表面重建方法 | |
| CN113436319B (zh) | 城市室内三维语义模型的异形排列矩阵构建方法及其系统 | |
| CN109145445A (zh) | 一种水电工程智能化建设管理系统 | |
| CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
| CN105975655B (zh) | 一种基于bim的仿唐宋古建异形屋面瓦参数化建模方法 | |
| CN109614488A (zh) | 基于文本分类和图像识别的配网带电作业条件判别方法 | |
| CN115393583B (zh) | 对墙体进行人工智能语义分割的方法 | |
| CN116757347B (zh) | 一种基于深度学习的铁路线路选线方法及系统 | |
| CN113032877A (zh) | 基于bim技术施工场地临建方案的优化方法 | |
| CN113051637A (zh) | 一种关于公共医疗建筑的bim建模方法 | |
| CN114937137B (zh) | 一种基于bim与gis的建筑环境智能分析方法 | |
| JP7160295B1 (ja) | 学習モデルの生成方法、情報処理装置、情報処理方法、コンピュータプログラム | |
| CN116246076A (zh) | 一种传统民居院落肌理特征识别应用方法和系统 | |
| CN111242231B (zh) | 一种基于P-LinkNet网络的露天矿道路模型构建方法 | |
| CN109117496B (zh) | 一种变电站工程临建布置三维模拟设计方法和系统 | |
| Chen et al. | A Framework of Full-Process Generation Design for Park Green Spaces Based on Remote Sensing Segmentation-GAN-Diffusion | |
| Jia et al. | Design and Optimization of Landscape Lighting in Urban Parks using Internet of Things Technology | |
| Liu et al. | Construction of Multiobjective Planning Decision‐Making Model of Ecological Building Spatial Layout under the Background of Rural Revitalization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |