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

Este artículo propone la Post-entrenamiento Guiado por Sintaxis Espacial (SSPT), un paradigma que integra conocimientos de sintaxis espacial en modelos generativos de planos residenciales mediante un oráculo no diferenciable y estrategias de aprendizaje por refuerzo, logrando así una jerarquía funcional más clara y una mayor dominancia de espacios públicos en comparación con los modelos basados únicamente en distribuciones de datos.

Lo esencial

¡Claro que sí! Imagina que este artículo es como una historia sobre cómo enseñar a un arquitecto robot a diseñar casas que no solo se vean bien, sino que también se sientan bien vivir en ellas.

Aquí tienes la explicación, traducida a un lenguaje sencillo y con algunas analogías divertidas:

🏠 El Problema: El Robot que Dibuja "Caos"

Imagina que tienes un robot muy inteligente (llamado Modelo de Difusión) al que le has enseñado a dibujar planos de casas mirando miles de fotos de casas reales. El robot es genial dibujando paredes y puertas, pero tiene un pequeño defecto: no entiende la "lógica" de cómo vivimos.

A veces, el robot hace cosas raras, como:

• Poner el salón (la sala de estar) en un rincón oscuro y escondido.
• Hacer que el pasillo de entrada sea el centro de la casa, como si fuera el salón.
• Esconder los dormitorios en lugares donde todos pueden entrar sin pedir permiso.

El robot sabe dibujar una casa, pero no sabe vivir en una. Sigue las reglas matemáticas, pero olvida la "magia" de la arquitectura.

🧠 La Solución: El "Oráculo" de la Lógica Espacial

Los autores del artículo (Zhuoyang Jiang y Dongqing Zhang) dicen: "¡Espera! Necesitamos darle al robot un manual de instrucciones sobre cómo se siente una buena casa".

Para esto, usan una teoría antigua llamada Sintaxis Espacial. Imagina que la sintaxis espacial es como un mapa de calor de la popularidad dentro de una casa.

• La Regla de Oro: En una casa normal, el salón (y la cocina) es el "corazón". Es el lugar más conectado, donde todos se encuentran. Los dormitorios son como "islas privadas", lugares tranquilos y menos conectados.

El equipo crea un "Oráculo" (un juez automático). Este juez no es un humano, es un programa que:

1. Toma el plano dibujado por el robot.
2. Lo convierte en un mapa de rectángulos.
3. Calcula matemáticamente: "¿Qué tan conectado está cada cuarto?".
4. Si el salón no es el lugar más conectado, el juez le dice al robot: "¡Eso no vale! Intenta de nuevo".

🚀 El Entrenamiento: Dos Formas de Enseñar al Robot

Ellos probaron dos métodos para corregir al robot usando a este "Juez":

1. El Método del "Filtro" (SSPT-Iter)

Imagina que el robot dibuja 1,000 casas. El Juez las revisa una por una y tira a la basura las 900 peores. Con las 100 mejores, el robot vuelve a estudiar y aprende de ellas.

• Ventaja: Funciona bien.
• Desventaja: Es muy lento. Es como si tuvieras que dibujar miles de bocetos a mano para encontrar uno bueno.

2. El Método del "Refuerzo" (SSPT-PPO) - ¡El Ganador!

Este es el método estrella. Imagina que el robot no solo dibuja, sino que aprende de sus errores en tiempo real.

• El robot dibuja una casa.
• El Juez le da una puntuación (como en un videojuego).
• Si la puntuación es alta (el salón está bien conectado), el robot recibe una "recompensa" y refuerza esa idea.
• Si es baja, recibe una "penalización" y ajusta su cerebro para no volver a hacerlo.

La analogía perfecta:

• Método 1 (Filtro): Es como un profesor que revisa 100 exámenes, elige los 5 mejores, y le dice al alumno: "Estudia solo estos 5".
• Método 2 (PPO): Es como un entrenador personal que te dice: "¡Esa postura estaba mal, corrígela ahora! ¡Esa otra fue genial, repítela!". El alumno mejora mucho más rápido.

⚡ Los Resultados: ¡Más Rápido y Mejor!

El resultado fue impresionante:

1. Mejor Calidad: Las casas generadas con el método "Refuerzo" (PPO) tenían salones mucho más centrales y lógicos, tal como lo hacen los arquitectos humanos.
2. Eficiencia Extrema: El método de "Refuerzo" fue 10 veces más rápido que el método de "Filtro". ¡Ahorraron muchísimo tiempo y energía de computadora!
3. Estabilidad: El robot dejó de hacer casas "raras" y extrañas. Ahora, casi todas las casas que dibuja son sensatas.

🏆 En Resumen

Este paper nos dice que la Inteligencia Artificial es muy buena dibujando, pero necesita un poco de sabiduría humana (en este caso, reglas de arquitectura) para ser realmente útil.

Al usar un "juez automático" basado en la lógica de cómo nos movemos en las casas, y entrenar al robot para que busque esa lógica (en lugar de solo copiar patrones), logramos que la IA diseñe hogares que no solo se ven bonitos en papel, sino que son lógicos, funcionales y listos para vivir.

Es como darle al robot un "sentido común" arquitectónico, y lo mejor de todo: ¡lo hizo de forma súper eficiente!

Resumen técnico

Resumen Técnico: SSPT (Space Syntax-guided Post-training)

1. El Problema

Los modelos generativos pre-entrenados para la creación de plantas residenciales (como los basados en difusión) suelen optimizarse para ajustarse a distribuciones masivas de datos (ej. RPLAN). Sin embargo, este enfoque tiene limitaciones críticas:

• Subestimación de Priors Arquitectónicos: Tienen dificultades para capturar principios arquitectónicos fundamentales, como la dominancia configuracional de los espacios públicos (salones, recibidores) y la jerarquía funcional clara entre zonas públicas y privadas.
• Falta de Evaluación Estructurada: Las métricas de evaluación existentes se centran en restricciones geométricas (superposición, tamaño) o reglas de adyacencia, ignorando la lógica espacial profunda (centralidad, accesibilidad y organización jerárquica).
• Datos Ruidosos: Los conjuntos de datos reales a menudo contienen errores de anotación o configuraciones espaciales ilógicas que los modelos aprenden inadvertidamente.

2. Metodología

La propuesta central es SSPT, un paradigma de post-entrenamiento que inyecta explícitamente conocimiento de la Sintaxis Espacial (Space Syntax) en la generación de plantas.

A. Oráculo de Sintaxis Espacial (No Diferenciable)
Se diseña un oráculo determinista que convierte las plantas generadas (formato máscaras tipo RPLAN) en grafos espaciales para calcular métricas de integración:

1. Descomposición: Convierte las habitaciones en conjuntos de rectángulos máximos (greedy maximal-rectangle decomposition).
2. Construcción de Grafos: Crea un grafo de "espacio-rectángulo" donde los nodos son rectángulos y las aristas representan la accesibilidad (puertas y proximidad).
3. Cálculo de Integración: Computa la integración espacial (basada en profundidad media y asimetría relativa) para cuantificar qué tan central es un espacio dentro del sistema.
4. Métricas Clave:
   • Dominancia de Espacio Público: Diferencia entre la integración máxima del salón y la de cualquier otra habitación.
   • Perfil de Integración Relativa: Compara la jerarquía de integración de las habitaciones generadas con la de datos reales.

B. Estrategias de Post-Entrenamiento
El marco SSPT implementa dos estrategias para optimizar el modelo generativo (una red de difusión condicional) utilizando las señales del oráculo:

1. SSPT-Iter (Re-entrenamiento Iterativo):

   • Genera candidatos, los evalúa con el oráculo y filtra el subconjunto superior (Top-K) basado en la dominancia del salón.
   • Re-entrena el modelo de difusión sobre este conjunto curado.
   • Ventaja: Robusto ante funciones no diferenciables.
   • Desventaja: Computacionalmente costoso (requiere re-entrenamiento supervisado completo).

2. SSPT-PPO (Optimización de Política Proximal):

   • Trata el proceso de denoising de difusión como un Proceso de Decisión de Markov (MDP).
   • Utiliza Reinforcement Learning (RL) con PPO para optimizar directamente la política del generador maximizando una recompensa terminal basada en la sintaxis espacial.
   • Ventaja: Alta eficiencia computacional y menor varianza en los resultados.

C. Benchmark Unificado (SSPT-Bench / Eval-8)
Para garantizar una evaluación justa y reproducible, se introduce un protocolo de Out-of-Distribution (OOD):

• Entrenamiento: Los modelos se ajustan con condiciones de hasta 7 habitaciones.
• Evaluación: Se prueba en plantas de exactamente 8 habitaciones (fuera de la distribución de entrenamiento).
• Esto verifica la capacidad de generalización de los priors arquitectónicos aprendidos.

3. Contribuciones Clave

1. Prior Arquitectónico Computable: Formaliza la "dominancia del espacio público" como un objetivo cuantificable y optimizable mediante integración espacial.
2. Oráculo de Representación: Diseña un pipeline automático (máscara $\to$ grafo de rectángulos) para evaluar la racionalidad espacial a escala masiva sin intervención humana.
3. Benchmark SSPT-Bench: Establece un estándar para evaluar la alineación funcional y la estabilidad de los modelos generativos bajo restricciones OOD.
4. Eficiencia en Post-Entrenamiento: Demuestra que el ajuste fino mediante RL (PPO) es significativamente más eficiente y estable que el re-entrenamiento iterativo tradicional para objetivos arquitectónicos no diferenciables.

4. Resultados

Los experimentos compararon el modelo base (HouseDiffusion), SSPT-Iter y SSPT-PPO contra datos reales (RPLAN):

• Mejora en Dominancia Pública: SSPT-PPO logró el mayor aumento en la puntuación de dominancia del espacio público (public_score), superando a SSPT-Iter y acercándose más a la distribución real.
• Estabilidad y Varianza: SSPT-PPO redujo la varianza (desviación estándar e IQR) en un ~20-30% en comparación con SSPT-Iter, indicando una generación más controlable y menos sensible al ruido estocástico.
• Eficiencia Computacional:
  • SSPT-PPO fue ~11 veces más rápido por iteración que SSPT-Iter (0.75 horas vs 8.30 horas).
  • La tasa de mejora por hora de cómputo fue un orden de magnitud superior en PPO.
• Corrección de Fallos Configuracionales:
  • Redujo la integración excesiva de espacios de circulación (entradas) y habitaciones privadas, restaurando la jerarquía donde el salón es el núcleo integrador.
  • Mejoró la alineación del perfil de integración global con los datos reales en un 41.3% (medido por distancia de perfil).

5. Significado e Impacto

Este trabajo representa un avance significativo en el diseño asistido por IA al:

• Puente Teoría-Práctica: Conecta la teoría arquitectónica clásica (Sintaxis Espacial) con los modelos generativos modernos (Difusión/RL), demostrando que los principios humanos pueden codificarse como funciones de recompensa.
• Superar el "Ajuste de Distribución": Muestra que el simple ajuste a la distribución de datos no es suficiente para generar diseños arquitectónicamente racionales; se requiere un mecanismo de corrección explícita (post-training).
• Escalabilidad: Proporciona una vía escalable para integrar conocimientos de dominio en generadores de IA sin necesidad de rediseñar los modelos base, utilizando oráculos deterministas para guiar el aprendizaje.

En conclusión, SSPT ofrece un marco robusto y eficiente para generar plantas residenciales que no solo son geométricamente válidas, sino que respetan la lógica funcional y jerárquica esencial de la arquitectura residencial.