Có một số hệ thống mặt tiền sáng tạo được sử dụng trong học sâu, một số trong số đó bao gồm:
1. Mạng đối thủ chung (GAN): GAN đã được sử dụng rộng rãi để tạo hình ảnh thực tế của mặt tiền tòa nhà. Chúng bao gồm một mạng tạo, tạo ra các hình ảnh tổng hợp và một mạng phân biệt, cố gắng phân biệt giữa hình ảnh thật và giả. Thông qua đào tạo, GAN có thể tạo ra các thiết kế mặt tiền có tính thực tế cao.
2. Mạng thần kinh chuyển đổi (CNN) để phân tích hình ảnh: CNN đã được sử dụng để phân tích hình ảnh của mặt tiền hiện có, cho phép các mô hình học sâu trích xuất các tính năng và mẫu từ hình ảnh mặt tiền. Phân tích này có thể giúp hiểu được phong cách kiến trúc, tính thẩm mỹ và các khía cạnh cấu trúc của mặt đứng.
3. Mạng nơ-ron hồi quy (RNN) để tạo trình tự: RNN, đặc biệt là các biến thể như Bộ nhớ ngắn hạn dài (LSTM) và Đơn vị lặp lại có cổng (GRU), đã được sử dụng để tạo thiết kế mặt tiền bằng cách lập mô hình tính chất tuần tự của các phần tử tòa nhà. Các mô hình này lấy đầu vào dưới dạng hạt giống hoặc thiết kế ban đầu và tạo ra một chuỗi các yếu tố kiến trúc để tạo thành một mặt tiền hoàn chỉnh.
4. Bộ mã hóa tự động biến đổi (VAE): VAE đã được tận dụng để tạo ra các biểu diễn tiềm ẩn của các thiết kế mặt đứng. Bằng cách mã hóa các mặt tiền hiện có thành không gian tiềm ẩn có chiều thấp hơn và giải mã chúng trở lại thiết kế ban đầu, VAE có thể tìm hiểu các biểu diễn có ý nghĩa để tạo ra các thiết kế mặt tiền mới.
5. Học tăng cường (RL) cho các tác vụ tạo: Các thuật toán RL đã được áp dụng để tạo các mặt tiền bằng các mô hình đào tạo nhằm tối ưu hóa các mục tiêu thiết kế cụ thể. Bằng cách xác định hàm phần thưởng và sử dụng thuật toán RL, mô hình có thể lặp đi lặp lại tạo ra các thiết kế mặt tiền mới đáp ứng các tiêu chí định trước, chẳng hạn như hiệu quả năng lượng hoặc sở thích thẩm mỹ.
Các hệ thống mặt tiền sáng tạo này thể hiện ứng dụng của các kỹ thuật học sâu trong việc tạo, phân tích và tối ưu hóa mặt tiền kiến trúc.
Ngày xuất bản: