Space Syntax-guided Post-training for Residential Floor Plan Generation

Diese Arbeit stellt Space Syntax-guided Post-training (SSPT) vor, einen Ansatz, der durch die Einbindung von Raumstrukturwissen über ein nicht-differenzierbares Orakel und Reinforcement Learning die Generierung von Wohngrundrissen verbessert, indem sie die Dominanz öffentlicher Räume und funktionale Hierarchien gegenüber rein datengetriebenen Basismodellen stärkt.

Das Wesentliche

Das große Problem: Der „perfekte" aber langweilige Baumeister

Stell dir vor, du hast einen super-intelligenten Roboter-Baumeister (eine Künstliche Intelligenz), der gelernt hat, tausende von Grundrissen für Wohnungen zu zeichnen. Er hat sich alle möglichen echten Wohnungen in einer riesigen Datenbank angesehen.

Das Problem ist: Der Roboter ist so gut darin, Statistik zu lernen, dass er Grundrisse zeichnet, die mathematisch „richtig" aussehen, aber im echten Leben oft falsch funktionieren.

• Beispiel: In einer echten Wohnung ist das Wohnzimmer das Herzstück. Man geht von dort in die Küche, ins Schlafzimmer oder zum Bad. Es ist der zentrale Treffpunkt.
• Der Fehler des Roboters: Weil er nur Muster kopiert, zeichnet er manchmal Grundrisse, bei denen der Flur oder das Bad das Herzstück ist. Man müsste also durch das Bad laufen, um ins Wohnzimmer zu kommen! Das ist zwar mathematisch möglich, aber architektonisch unsinnig.

Die Lösung: Ein „Raum-Weiser" (Space Syntax)

Die Forscher aus dem Papier haben eine Lösung gefunden, die sie SSPT nennen. Stell dir das wie einen erfahrenen, strengen Architekten an, der den Roboter nachträglich (post-training) noch einmal unterrichtet.

Dieser „Architekt" nutzt eine alte, bewährte Theorie namens Space Syntax (Raumsyntax).

• Die Analogie: Stell dir die Wohnung wie ein Netzwerk von Straßen vor. Das Wohnzimmer ist die große, belebte Hauptstraße, die alle verbindet. Das Schlafzimmer ist eine kleine Sackgasse, die man nur betritt, wenn man dort wohnt.
• Der „Architekt" (die KI-Oracle) prüft jeden vom Roboter gezeichneten Grundriss und fragt: „Ist das Wohnzimmer wirklich die wichtigste Straße? Oder ist der Flur zu laut und zu zentral?"

Wie lernen die Roboter neu? (Die zwei Methoden)

Die Forscher haben zwei Wege ausprobiert, um den Roboter zu korrigieren:

1. Der „Aussortier-Methode" (Iterative Retraining)

Stell dir vor, der Roboter zeichnet 1.000 Grundrisse. Der „Architekt" schaut sie sich alle an und sagt: „Die ersten 900 sind Müll, weil das Wohnzimmer nicht zentral genug ist. Wir werfen sie weg."
Nur die besten 100 Grundrisse werden dem Roboter gezeigt, damit er lernt: „Aha, so muss es aussehen!"

• Nachteil: Das ist sehr langsam und ineffizient. Man muss tausende Zeichnungen machen, um nur ein paar gute zu finden.

2. Der „Belohnungs-Methode" (Reinforcement Learning / PPO) – Der Gewinner!

Hier ist es cleverer. Der Roboter zeichnet einen Grundriss. Der „Architekt" gibt ihm sofort eine Punktzahl.

• Ist das Wohnzimmer zentral? Pluspunkte!
• Ist das Bad in der Mitte? Minuspunkte!
  Der Roboter versucht dann, seine Zeichnung Schritt für Schritt so zu verändern, dass er mehr Punkte bekommt. Es ist wie beim Trainieren eines Hundes: Wenn er die richtige Sache tut, bekommt er einen Leckerbissen (Punkte), wenn nicht, nichts.
• Das Ergebnis: Diese Methode ist 11-mal schneller als die Aussortier-Methode und führt zu viel besseren Ergebnissen. Der Roboter lernt schneller, was „gute Architektur" bedeutet.

Was ist neu an diesem Papier?

1. Ein neuer Maßstab (SSPT-Bench): Die Forscher haben eine neue Art, Grundrisse zu testen, eingeführt. Sie trainieren den Roboter nur mit kleinen Wohnungen (bis zu 7 Zimmer) und testen ihn dann mit großen, komplexen Wohnungen (8 Zimmer). Das prüft, ob der Roboter wirklich verstanden hat, wie man eine Wohnung baut, oder ob er nur auswendig gelernt hat.
2. Die Entdeckung: Sie haben bewiesen, dass in echten Wohnungen das Wohnzimmer fast immer das „zentralste" Element ist. Wenn KI-Grundrisse das nicht zeigen, sind sie schlecht.
3. Die Effizienz: Die „Belohnungs-Methode" (PPO) ist nicht nur besser, sondern auch extrem schnell. Das bedeutet, dass man in Zukunft KI-Modelle viel schneller und billiger auf echte architektonische Regeln trainieren kann.

Zusammenfassung in einem Satz

Die Forscher haben eine KI entwickelt, die nicht nur zufällige Grundrisse zeichnet, sondern durch einen „intelligenten Nachhilfelehrer" (Space Syntax) lernt, dass das Wohnzimmer das Herz der Wohnung sein muss – und das alles mit einer Methode, die 11-mal schneller ist als alles, was man vorher kannte.

Technische Zusammenfassung

1. Problemstellung

Bestehende generative Modelle für Wohngrundrisse (z. B. auf Diffusionsmodellen basierend) werden typischerweise durch Anpassung an große Datensatzverteilungen (wie RPLAN) trainiert. Obwohl diese Modelle geometrisch plausible Layouts erzeugen, vernachlässigen sie oft kritische architektonische Priors (Vorwissen). Ein zentrales Defizit ist die mangelnde Berücksichtigung der konfigurativen Dominanz und Hierarchie von öffentlichen Räumen (z. B. Wohnzimmer, Flure) gegenüber privaten Räumen (Schlafzimmer, Badezimmer).

Herkömmliche Evaluierungsmetriken konzentrieren sich oft auf geometrische Genauigkeit (IoU) oder Adjazenzregeln, erfassen aber nicht die tiefere räumliche Logik, wie z. B. die zentrale Erreichbarkeit (Integration) öffentlicher Bereiche. Zudem enthalten große Trainingsdatensätze oft Layouts mit fehlerhafter räumlicher Logik, die ohne systematische Filterung die Modelle verzerren. Es fehlt an einem skalierbaren, automatisierten Mechanismus, um architektonische Theorien (insbesondere die Space Syntax) direkt in den Generierungsprozess zu integrieren und zu evaluieren.

2. Methodik

Das Paper stellt SSPT (Space Syntax-guided Post-training) vor, ein Post-Training-Paradigma, das nicht-differenzierbares Wissen der Space Syntax in die Generierung von Grundrissen injiziert.

A. Der Oracle-Mechanismus (Raum-Syntax-Guided Oracle)

Ein zentraler Baustein ist ein deterministischer „Oracle"-Prozess, der generierte Layouts bewertet, ohne dass Gradienten durch die Architektur fließen müssen:

1. Mask-to-Graph-Transformation: RPLAN-artige Layouts werden in ein Rechteck-Raum-Graph-Modell umgewandelt. Dazu wird eine gierige maximale Rechteck-Zerlegung (greedy maximal-rectangle decomposition) der begehbarer Flächen angewendet.
2. Kantenkonstruktion: Kanten werden basierend auf inneren Nachbarschaften (innerhalb eines Raums) und Tür-vermittelten Verbindungen (zwischen Räumen) erstellt.
3. Berechnung der Integration: Basierend auf diesem Graphen werden klassische Space-Syntax-Metriken wie die Integration (basierend auf der Tiefenanalyse/Hill-Hill oder Closeness) berechnet.
4. Bewertung: Der Oracle quantifiziert die Dominanz öffentlicher Räume (z. B. ob das Wohnzimmer die höchste Integration aufweist) und die funktionale Hierarchie.

B. SSPT-Bench (Eval-8)

Um eine faire und reproduzierbare Evaluierung zu gewährleisten, wurde ein Out-of-Distribution (OOD) Benchmark entwickelt:

• Training: Modelle werden auf Layouts mit $\le 7$ Räumen nachtrainiert.
• Evaluation: Die Bewertung erfolgt strikt auf Layouts mit genau 8 Räumen.
• Dies testet die Fähigkeit des Modells, die erlernten architektonischen Prinzipien auf neue, nicht im Training gesehene Programmgrößen zu verallgemeinern.

C. Zwei Post-Training-Strategien

Das Framework implementiert zwei Ansätze zur Optimierung des Modells basierend auf den Oracle-Scores:

1. SSPT-Iter (Iteratives Retraining):
   • Generierung einer großen Menge von Kandidaten.
   • Filterung basierend auf dem Oracle-Score (Top-K-Auswahl).
   • Feinabstimmung (Fine-Tuning) des Diffusionsmodells auf dem gefilterten Datensatz.
   • Nachteil: Rechenintensiv durch wiederholtes vollständiges Training.
2. SSPT-PPO (Reinforcement Learning mit PPO):
   • Formulierung des Diffusionsprozesses als Markov-Entscheidungsprozess (MDP).
   • Der Oracle liefert einen terminalen Reward (Belohnung) basierend auf der Integration.
   • Anwendung von Proximal Policy Optimization (PPO), um die Policy (das Diffusionsmodell) direkt zu optimieren, ohne den gesamten Datensatz neu zu trainieren.
   • Vorteil: Deutlich effizienter und ermöglicht eine direkte Optimierung nicht-differenzierbarer Ziele.

3. Wichtige Beiträge

1. Architektonischer Prior: Erstmals wird die Integration aus der Space Syntax als berechenbarer, skalierbarer Prior für die Generierung von Wohngrundrissen formalisiert.
2. Datenrepräsentation & Oracle: Entwicklung eines automatisierten, rechteckbasierten Konvex-Integrations-Oracles, das RPLAN-Layouts in Graphen umwandelt und Metriken im großen Maßstab berechnet.
3. Benchmark (SSPT-Bench/Eval-8): Einführung eines einheitlichen Benchmarks mit OOD-Evaluierung und einer Metrik-Suite (Public-Space-Dominanz, Stabilität, Profil-Alignment), um die Qualität der Generierung objektiv zu messen.
4. Modell-Post-Training: Vorstellung von SSPT mit zwei Paradigmen (Iterativ vs. PPO), wobei gezeigt wird, dass RL-basierte Ansätze (PPO) architektonische Prinzipien effizienter und stabiler lernen als reines Fine-Tuning.

4. Ergebnisse

Die Experimente auf dem SSPT-Bench (Eval-8) zeigen folgende Ergebnisse im Vergleich zum Baseline-Modell (HouseDiffusion) und den realen Daten (RPLAN):

• Verbesserte Dominanz öffentlicher Räume: Beide Post-Training-Methoden verbessern die Public-Space-Dominance (d.h. das Wohnzimmer hat eine höhere Integration als andere Räume).
• Überlegenheit von SSPT-PPO:
  • Leistung: SSPT-PPO erreicht die höchsten Werte für public_score (+0.0424 gegenüber Iterativ) und living_advantage.
  • Stabilität: PPO reduziert die Varianz (Standardabweichung und IQR) der Metriken um ca. 20–30 %, was zu konsistenteren Ergebnissen führt.
  • Effizienz: SSPT-PPO ist über 10-mal schneller pro Iteration als SSPT-Iter (0,75 Stunden vs. 8,30 Stunden), da kein vollständiges Retraining nötig ist.
• Profil-Alignment: PPO verbessert die Übereinstimmung der gesamten funktionalen Hierarchie (Profil-Abstand zu RPLAN) signifikant um ca. 41 % im Vergleich zum Baseline.
• Fehlerkorrektur: Das Training korrigiert spezifische Fehler wie übermäßig zentralisierte Eingänge oder zu stark integrierte private Räume (Schlafzimmer/Bäder), die im Baseline-Modell häufig waren.

5. Bedeutung und Ausblick

Das Paper demonstriert, dass die Integration von domänenspezifischem theoretischem Wissen (Space Syntax) in datengetriebene Generativmodelle durch Post-Training mit nicht-differenzierbaren Oracles möglich und effektiv ist.

• Paradigmenwechsel: Es zeigt, dass reine Likelihood-Maximierung (Pre-Training) oft nicht ausreicht, um komplexe architektonische Logiken zu erfassen, und dass gezieltes Post-Training (insbesondere via RL/PPO) eine skalierbare Lösung bietet.
• Praktische Relevanz: Die Methode ermöglicht die automatische Bereinigung von Datensätzen und die Erzeugung von Grundrissen, die nicht nur geometrisch korrekt, sondern auch funktional und sozial sinnvoll (z. B. klare Trennung von öffentlich/privat) sind.
• Zukunft: Der Ansatz ist generisch auf andere Generatoren (Transformer, Graph-Modelle) übertragbar und legt den Grundstein für zukünftige Arbeiten, die weitere architektonische Kriterien (z. B. Belichtung, Struktur) in den Optimierungsprozess einbeziehen.

Zusammenfassend bietet SSPT einen robusten, effizienten Weg, um architektonische Theorie in die KI-gestützte Entwurfsphase zu integrieren und die Qualität automatisierter Grundrissgenerierung signifikant zu steigern.