Pix2Pix-BicycleGAN生成式人工智能工具正在彻底改变景观设计

　　本研究主要针对pix2px - bicyclegan景观总体规划生成流程中布局生成和总体规划绘制两个关键任务的适应性评估。

　　

近年来，在生成式人工智能(AI)的推动下，图像生成技术和制图工具的快速发展和增强，对传统景观设计行业产生了重大影响。因此，景观设计师迫切需要描绘图像生成与景观设计之间的关系，并探索潜在的实践和研究机会。总体规划生成的研究主要集中在“图像到图像”生成对抗网络(GAN)上。这些工具的应用已经从生成建筑平面图发展到生成建筑布置和体量关系。因此，本研究旨在通过图像分析和用户调查来评估gan生成结果的质量、与设计工作流程整合的有效性，以及景观设计师对结果的接受程度。

本研究发表在《景观建筑前沿》杂志上，题为“基于人工智能的“图像到图像”景观总体规划生成的适用性评估与思考”，重点研究了pix2px - bicyclegan景观总体规划生成工作流中两个关键任务——布局生成和总体规划渲染的适应性评估。

评估的重点是在Pix2Pix-BicycleGAN工作流程中的布局生成和总体规划渲染。图像分析的评价指标包括块数绝对/欧几里得距离、直方图距离和结构相似指数测度。此外，还进行了两份在线调查问卷，以评估gan生成结果的视觉真实感和对颜色和纹理的偏好。

图像分析结果表明，gan生成的总体规划与人工设计的总体规划的土地利用分布多样性相似度都达到了较高的水平，gan绘制的总体规划与设计师绘制的总体规划相似度较高。这项研究有几个局限性。首先，它没有包括GAN生成方法的伦理评估。问卷缺乏对GAN生成方法独创性的关注，未来的研究需要收集用户对伦理问题的意见。其次，所建立的评估框架没有考虑gan生成布局的多样性和数据偏差。此外，虽然本研究中评估的Pix2Pix-BicycleGAN工作流程具有代表性，但它并没有反映最新的技术迭代。

此外，基于证据的设计由于其相对较低的可解释性而对GAN生成方法提出了挑战。因此，将GAN模型生成的形态表达与定量分析(如物理模型)联系起来，应该克服将AI深度融入设计学科的问题。随着gan生成布局的多样性增加，未来利用多优化算法筛选和改进布局将有助于提高设计决策的科学性。随着生成算法的不断更新，有机会逐步将物理模型和优化算法与AI模型相结合，显著提高GAN生成方法的可解释性和适用性。