생성적 인공 지능은 이미 건축가와 디자이너가 아이디어를 스케치하는 방식을 변화시켜 간단한 텍스트 프롬프트에서 사실적인 이미지를 만들어냈습니다. 그러나 도시 공원처럼 믿을 수 없을 정도로 복잡한 것을 설계하는 데 있어서 기술은 어려움을 겪었습니다. Machine Learning with Application에 발표된 새로운 연구는 인간 디자이너가 실제로 생각하는 방식을 반영하는 솔루션을 제안합니다. AI는 무엇이든 그리기 전에 공원이 상호 연결된 공간의 네트워크라는 점을 먼저 추론합니다. 그 결과 그래프 신경망과 생성적 적대 신경망을 결합하여 시각적으로 설득력 있을 뿐만 아니라 구조적으로도 합리적인 공원 레이아웃을 생성하는 하이브리드 모델이 탄생했습니다.
Yuhan Zhang과 Jing Zhao가 이끄는 연구팀에 따르면 기존 접근 방식의 문제점은 기존 이미지 생성기가 픽셀 수준에서 작동한다는 것입니다. 그들은 공원이 어떻게 생겼는지 배우지만 공원이 어떻게 작동하는지 배우지 않습니다. 실제 공원 디자인은 기능적 공간이 노드 역할을 하고 공간 관계가 네트워크의 가장자리 역할을 하는 의사 결정 프로세스입니다. 디자이너는 광장, 스포츠 구역, 생태 구역을 배치할 위치, 이러한 구역이 서로 연결되는 방식, 통로, 수역 및 식물이 모든 것을 하나로 묶는 방식의 균형을 맞춰야 합니다. 표준 생성 모델에는 해당 공간 논리를 적용하는 기본 메커니즘이 없기 때문에 출력에 종종 경로에서 멀리 떨어져 있는 활동 영역이나 기능적으로 의미가 없는 순환 경로와 같은 불일치가 포함되는 경우가 있습니다.
연구원의 프레임워크는 두 가지 순차적 단계로 작동합니다. 첫 번째로 GraphSAGE 모델은 공원 기능 노드 간의 의미 관계와 공간 연결을 학습합니다. 사용자는 현장 상태 이미지와 일련의 기능적 요구 사항을 제공하고 모델은 어떤 기능 영역 쌍을 연결해야 하는지 예측하여 명시적인 관계 그래프를 생성합니다. 결정적으로, 팀은 단순한 기하학적 접촉보다 더 광범위하게 공원 관계를 정의했습니다. 두 구역이 경계를 공유하는 경우, 도로, 광장 또는 수역과 같은 전환 요소를 통해 연결되는 경우 또는 입구에서 핵심 공공 공간, 보조 활동 구역까지 연속 순환 경로의 일부를 형성하는 경우 연결된 것으로 간주됩니다. 이 복합 정의는 벽 기반 건축 모델이 포착할 수 없는 공원 공간 구성의 계층적이고 역동적인 특성을 포착합니다.
두 번째 단계에서는 예측된 관계 그래프를 공원 설계 표준과 각 노드의 대상 크기에 따라 불규칙한 부지 경계 내 픽셀 영역을 할당하는 보로노이 후처리 알고리즘을 사용하여 공간적으로 구조화된 기능 구역 다이어그램으로 변환합니다. 그런 다음 CycleGAN 모델은 구역 지정 다이어그램을 콘크리트 공원 설계 계획에 매핑하여 시각적 세부 정보와 공간 형태를 개선합니다. 팀은 표준 CycleGAN 목표에 두 가지 사용자 지정 손실 용어인 지역 의미 일관성 손실과 인스턴스 의미 일관성 손실을 추가하여 생성기가 도로, 녹지 공간 및 수역 간의 지역적 대응을 유지하고 독립적인 기능 블록의 경계를 유지하도록 명시적으로 강제했습니다.
훈련 데이터를 구축하는 것 자체가 상당한 작업이었습니다. 연구자들은 전 세계 전문 디자인 저장소와 온라인 플랫폼에서 9,286개의 도시 공원 설계 계획 도면을 수집했으며, 10~20헥타르 규모의 중간 규모 종합 공원에 초점을 맞췄습니다. 이러한 공원은 공간 세분성 및 구성에서 유사한 설계 논리를 나타내면서 완벽한 복합 기능을 갖춘 지역 수준의 인구에게 서비스를 제공하기 때문에 선택되었습니다. 이 중 명확하게 구분된 기능 구역이 포함된 198개 구성표를 수동으로 선별하고 LabelMe를 사용하여 주석을 추가한 다음 1,188개의 그래프 샘플로 늘렸습니다. 기능 공간은 청록색-회색 인프라 분류 프레임워크에 따라 광장, 스포츠 및 피트니스 영역, 생태학적 녹지 공간, 수변 공간 및 기타 주요 유형을 포괄하는 3단계 시스템으로 통합되었습니다.
실험 결과 그래프 생성 단계가 강력하게 수행되는 것으로 나타났습니다. 훈련 세트가 대략 100개에서 800개 샘플로 확장됨에 따라 모델의 테스트 AUC는 0.8207에서 0.8991로 증가했으며, 400개 샘플 미만에서 가장 가파른 이득이 발생하고 600개 이상의 성능 정체가 발생했습니다. 동일한 데이터에 대해 GCN, GAT 및 GIN 아키텍처와 직접 비교했을 때 GraphSAGE는 검증 AUC 0.909와 정확도 0.846은 연구원들이 노드 유형과 수량이 다양하고 인접 관계가 희박한 공원 그래프에 적합한 유도적 이웃 샘플링에 기인한 결과입니다. 생성된 그래프는 진정한 디자인 원칙도 반영했습니다. 탁 트인 잔디밭, 수역, 광장은 고도로 연결된 중앙 허브로 등장했으며, 울창한 숲 지역은 인간 디자이너가 구성한 것과 똑같이 생태학적 완충지로 주변에 자리잡고 있었습니다.
풀 하이브리드 모델의 가장 눈에 띄는 장점은 유틸리티 지표 계획에 나타났습니다. CycleGAN 기준선 및 Stable Diffusion과 비교하여 전체 모델은 기준선의 경우 46.7%, Stable Diffusion의 경우 38.2% 대비 70.2%의 순환 연결 지수를 달성했으며 기능적 인접 준수율은 78.4%, 노드 접근성 비율은 82.5%를 달성했습니다. 또한 0.3190으로 가장 낮은 Fréchet Inception Distance를 기록했는데, 이는 공원 레이아웃의 실제 분포와 가장 가까운 일치를 나타냅니다. 흥미롭게도 기본 CycleGAN은 실제로 PSNR 및 SSIM과 같은 픽셀 수준 유사성 측정 항목에서 더 높은 점수를 얻었으며, 이는 그래프 제약 조건이 의도적으로 모델을 픽셀 완벽한 복제에서 기능적 논리를 따르는 다양한 레이아웃으로 이동시키는 것을 의미합니다.
절제 실험에서는 그래프 추론 구성 요소가 대부분의 가중치를 전달한다는 사실이 확인되었습니다. GraphSAGE를 제거하면 FID가 0.3190에서 0.3634로 증가하는 등 가장 큰 성능 저하가 발생했으며, 규칙 기반 좌표 할당 또는 Voronoi 할당을 제거하면 성능 저하가 줄어들어 해당 구성 요소가 기능적 추론보다는 기하학적 변환을 주로 처리함을 나타냅니다. 의미 범주 분석에서는 공간 구성 특성이 강한 요소인 도로, 수역, 녹지 공간에 대한 FID 개선이 가장 큰 것으로 나타났으며, 작고 희박한 면적을 차지하는 건물은 거의 이점을 얻지 못했습니다. 12명의 조경 전문가로 구성된 패널은 공간 구조, 공원 도로 및 유용성을 포함한 6가지 평가 차원 모두에서 하이브리드 모델의 출력을 10점 만점에 7점 이상으로 평가했습니다. 이는 여전히 수동으로 설계한 실제 기준보다 낮지만 기준선보다 지속적으로 높습니다.
연구자들은 이 도구를 대체품이 아닌 보조 도구로 배치하는 데 주의를 기울였습니다. 프레임워크는 디자인의 초기 개념 단계를 위해 설계되었습니다. 이 프레임워크는 512×512 이미지당 약 2.12초 만에 기본 공간 논리를 사용하여 레이아웃 초안을 신속하게 생성할 수 있으므로 디자이너는 세부 개발에 착수하기 전에 구성표를 탐색하고 비교할 수 있습니다. 이는 순전히 이미지 대 이미지 변환으로 추론을 우회하려고 시도하는 대신 기능적 구역화를 통한 요구사항 분석부터 공간 구성까지 디자이너가 이미 따르고 있는 지식 기반 워크플로우 내에 생성 모델을 내장합니다.
한계가 남아 있습니다. 훈련 데이터는 중간 규모의 종합 공원에 집중되어 있으므로 모델은 아직 소규모 공원이나 대규모 녹지 공간 시스템에 적합하지 않으며 감독되지 않은 CycleGAN 단계는 여전히 소규모 요소 및 텍스처에서 제한된 세부 정보를 생성합니다. 팀은 향후 작업에서 공원 유형과 스타일에 걸쳐 데이터 세트를 확장하고 지형 고도, 주변 상황 및 기존 식물을 통해 그래프 입력을 강화할 수 있다고 제안합니다. 그러나 핵심 통찰력은 다음과 같습니다. 이미지를 렌더링하기 전에 공간에 대해 그래프로 추론하도록 생성 AI를 교육하면 보다 합리적이고 유용하며 전문 조경사가 실제로 구축하는 것과 훨씬 더 가까운 공원 디자인을 생성할 수 있습니다.
연구 주제: 자동화된 도시 공원 레이아웃 설계를 위한 그래프 제한 생성 AI
기사 제목: 자동화된 도시 녹지 공간 레이아웃 생성을 위한 그래프 제한 생성적 적대 네트워크
기사 참조: Zhang, Y., Liu, Y., Ni, B., Chen, R., & Zhao, J. (2026). 자동화된 도시 녹지 공간 레이아웃 생성을 위한 그래프 제한 생성적 적대 네트워크. 애플리케이션을 사용한 기계 학습, 26조항 101020. https://doi.org/10.1016/j.mlwa.2026.101020
이미지 크레딧: AI 생성
DOI: 제공되지 않음
키워드: 생성적 적대 신경망, 그래프 신경망, 도시 공원, 조경 건축, CycleGAN, GraphSAGE, 생성적 디자인, 공간 레이아웃 생성, 도시 녹지 공간, 인공 지능, 보로노이 다이어그램, 인간-AI 협업
출처 : bioengineer.org