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

Cet article propose la méthode SSPT, une approche de post-entraînement guidée par la syntaxe spatiale qui intègre des connaissances architecturales théoriques dans la génération de plans d'appartements via un oracle non différentiable, améliorant ainsi la dominance des espaces publics et la hiérarchie fonctionnelle grâce à des stratégies de fine-tuning et d'apprentissage par renforcement.

L'essentiel

🏠 Le Problème : L'Architecte Robot qui Oublie l'Essentiel

Imaginez que vous avez un robot architecte très intelligent. Il a lu des milliers de plans de maisons réelles et sait dessiner des murs, des portes et des pièces. C'est impressionnant !

Mais il y a un petit souci : ce robot est un peu comme un étudiant qui a appris par cœur des formules de mathématiques sans vraiment comprendre la logique derrière. Il peut dessiner une maison qui ressemble à une maison, mais qui ne fonctionne pas bien.

Par exemple, dans une vraie maison, le salon est le cœur battant. C'est là qu'on se rassemble, c'est la pièce la plus accessible, le "chef d'orchestre" de la maison. Dans les plans générés par le robot, le salon est parfois coincé dans un coin, ou la chambre à coucher est trop centrale, ce qui rend la maison bizarre et peu pratique à vivre. Le robot a oublié la "hiérarchie" naturelle d'une maison.

💡 La Solution : Le "Guide de Sagesse" (SSPT)

Les chercheurs (Zhuoyang Jiang et Dongqing Zhang) ont eu une idée brillante : au lieu de laisser le robot apprendre seul, ils lui donnent un guide de sagesse après qu'il a fini ses études.

Ce guide s'appelle SSPT (Post-entraînement guidé par la syntaxe spatiale).

Imaginez que le robot dessine un plan, et qu'un expert humain (mais en version ordinateur ultra-rapide) le regarde et dit :

"Attends, le salon n'est pas assez au centre ! Et la salle de bain est trop facile d'accès, on ne devrait pas pouvoir y entrer directement depuis le couloir principal. Refais-le."

Ce "guide" utilise une théorie ancienne appelée la Syntaxe Spatiale. C'est comme une carte qui mesure la "popularité" de chaque pièce : combien de portes on traverse pour y arriver ? Plus une pièce est facile d'accès, plus elle est "centrale". Dans une vraie maison, le salon doit être la pièce la plus centrale.

🛠️ Comment ça marche ? Deux Méthodes pour Apprendre

Le papier compare deux façons d'appliquer ce guide :

1. La Méthode "Trier et Recopier" (SSPT-Iter)

C'est comme si le robot dessinait 1 000 plans, et que l'expert en prenait les 100 meilleurs (ceux où le salon est bien placé) et disait : "Ok, oublie les autres, recopie juste ces 100 bons plans pour apprendre."

• Avantage : Ça marche bien.
• Inconvénient : C'est lent et coûteux en énergie. Il faut dessiner des milliers de plans pour en garder quelques-uns.

2. La Méthode "Le Coach Sportif" (SSPT-PPO)

C'est la méthode gagnante du papier. Imaginez un coach qui regarde le robot dessiner, et à chaque coup de crayon, il lui donne un petit feedback immédiat.

• Si le robot commence à mettre le salon dans un coin, le coach dit : "Non, non, recule un peu !".
• Si le robot place bien le salon, le coach dit : "Bravo, continue comme ça !".
• Le robot apprend directement de ces feedbacks, sans avoir besoin de générer des milliers de plans inutiles.

Résultat : Cette méthode est 10 fois plus rapide et donne des résultats beaucoup plus stables. Le robot apprend mieux et plus vite comment organiser une maison.

📊 Le Test : La "Salle d'Examen" (SSPT-Bench)

Pour vérifier si le robot a vraiment appris, les chercheurs ont créé un examen spécial.

• Ils ont appris au robot avec des maisons simples (7 pièces maximum).
• Ensuite, ils l'ont testé sur des maisons plus complexes (8 pièces), qu'il n'avait jamais vues.

C'est comme apprendre à un élève à résoudre des équations simples, puis lui donner un problème complexe pour voir s'il a vraiment compris la logique, ou s'il a juste mémorisé les réponses.

Les résultats montrent que le robot entraîné avec la méthode "Coach" (PPO) réussit l'examen beaucoup mieux : ses plans ont un salon bien central, des chambres bien isolées, et une organisation logique, tout comme dans les vraies maisons.

🚀 En Résumé

Ce papier nous dit que pour créer de bons plans de maisons avec l'IA, il ne suffit pas de montrer des milliers d'exemples au robot. Il faut lui donner des règles de bon sens (comme "le salon doit être au centre") et l'entraîner spécifiquement pour respecter ces règles.

Grâce à cette nouvelle méthode (SSPT-PPO), les architectes du futur pourront générer des maisons qui ne sont pas seulement jolies à regarder, mais qui sont vraiment vivables, en un temps record. C'est un pas de géant pour aider les humains à concevoir des espaces de vie plus intelligents.

Résumé technique

1. Problématique et Contexte

La génération automatique de plans d'appartements résidentiels par l'IA a connu des progrès rapides grâce aux modèles génératifs (GANs, modèles de diffusion). Cependant, ces modèles sont généralement optimisés pour s'adapter aux distributions de données à grande échelle (comme le jeu de données RPLAN), ce qui conduit souvent à négliger des priors architecturaux critiques.

Le problème central identifié est l'absence de hiérarchie fonctionnelle spatiale dans les plans générés. Selon la théorie de la syntaxe spatiale, les espaces publics (salons, halls) doivent agir comme des "cœurs d'intégration" topologiques (fortement connectés et accessibles), tandis que les espaces privés (chambres, salles de bain) doivent être plus ségrégués. Les modèles actuels, bien qu'ils respectent les contraintes géométriques de base, échouent souvent à reproduire cette logique de dominance des espaces publics, produisant des plans qui, bien que valides géométriquement, sont architecturalement irrationnels.

De plus, il existe un manque de benchmarks unifiés et de méthodes d'évaluation capables de diagnostiquer ces défauts de logique spatiale à grande échelle, en particulier dans des conditions hors distribution (OOD).

2. Méthodologie : SSPT (Space Syntax-guided Post-training)

L'article propose SSPT, un paradigme de post-entraînement qui injecte explicitement la connaissance de la syntaxe spatiale dans la génération de plans via un oracle non différentiable.

A. L'Oracle de Syntaxe Spatiale

Pour évaluer et guider le modèle, les auteurs conçoivent un pipeline déterministe :

1. Représentation Graphique : Conversion des masques de plans (format RPLAN) en un graphe d'espaces rectangulaires. Chaque pièce est décomposée en rectangles maximaux (algorithme de couverture glouton) pour former des atomes convexes.
2. Construction du Graphe : Les nœuds sont les rectangles ; les arêtes sont créées par la proximité intra-pièce et la connectivité inter-pièce via les portes.
3. Calcul de l'Intégration : Sur ce graphe, l'oracle calcule l'intégration spatiale (basée sur la profondeur moyenne et l'asymétrie relative). Une valeur d'intégration élevée indique une centralité topologique.
4. Fonction de Récompense/Score : L'oracle vérifie si l'espace public (salon) possède la dominance d'intégration attendue par rapport aux autres pièces.

B. Deux Stratégies de Post-entraînement

L'étude compare deux approches pour optimiser le modèle de diffusion pré-entraîné :

1. SSPT-Iter (Réentraînement itératif) :

   • Génère un grand nombre de candidats.
   • Filtre les meilleurs plans selon le score de l'oracle (dominance du salon).
   • Réentraîne le modèle de diffusion sur ce sous-ensemble filtré (Fine-tuning).
   • Avantage : Robuste, ne nécessite pas de gradients.
   • Inconvénient : Coûteux en calcul (réentraînement complet à chaque itération).

2. SSPT-PPO (Apprentissage par Renforcement avec PPO) :

   • Traite le processus de débruitage du modèle de diffusion comme un processus décisionnel de Markov (MDP).
   • Utilise l'oracle pour fournir une récompense terminale (basée sur l'intégration spatiale) après la génération complète du plan.
   • Optimise la politique du modèle via l'algorithme PPO (Proximal Policy Optimization) en utilisant des gradients de politique.
   • Avantage : Optimisation directe de l'objectif non différentiable, très efficace.

C. Benchmark Unifié : SSPT-Bench (Eval-8)

Pour garantir une évaluation rigoureuse et reproductible, les auteurs introduisent un benchmark hors distribution :

• Entraînement : Modèles entraînés/fine-tunés sur des conditions de pièces $\le 7$.
• Évaluation : Tests sur des plans avec exactement 8 pièces (Eval-8).
• Métriques : Dominance de l'espace public, avantage du salon, et distance de profil d'intégration par rapport aux données réelles (RPLAN).

3. Contributions Clés

1. Prior Architectural Calculable : Introduction de l'intégration spatiale (syntaxe spatiale) comme critère d'optimisation explicite pour la génération de plans, formalisant le principe de "dominance de l'espace public".
2. Oracle Automatisé et Évolutif : Conception d'un convertisseur "Masque-vers-Graphe" basé sur des rectangles convexes permettant le calcul de métriques d'intégration à grande échelle sur des milliers de plans.
3. Benchmark SSPT-Bench (Eval-8) : Création d'un protocole d'évaluation OOD (Out-of-Distribution) avec une suite de métriques unifiée pour évaluer la hiérarchie fonctionnelle et la stabilité des modèles.
4. Cadre de Post-entraînement (SSPT) : Démonstration que le post-entraînement (notamment via PPO) est supérieur au simple ajustement de distribution pour intégrer des connaissances architecturales complexes, avec une efficacité de calcul bien supérieure.

4. Résultats Expérimentaux

Les expériences comparatives sur le benchmark Eval-8 montrent que :

• Amélioration de la Dominance Publique : Les deux stratégies améliorent la dominance de l'espace public par rapport au modèle de base (HouseDiffusion). Cependant, SSPT-PPO surpasse SSPT-Iter, augmentant le score médian de dominance publique (public_score) de 0,1820 à 0,2244.
• Stabilité et Variance : SSPT-PPO réduit considérablement la variance des résultats (écart-type et IQR réduits de ~20-30%), rendant la génération plus contrôlable et moins sensible au bruit stochastique.
• Alignement du Profil Fonctionnel : SSPT-PPO réduit la distance du profil d'intégration par rapport aux données réelles (RPLAN8) de 41,3 % par rapport au modèle de base, corrigeant efficacement les erreurs comme la centralité excessive des entrées ou des chambres.
• Efficacité de Calcul : C'est le résultat le plus marquant. SSPT-PPO est plus de 10 fois plus rapide (0,75h/itération vs 8,30h/itération pour SSPT-Iter) tout en obtenant de meilleurs résultats. Cela s'explique par le fait que PPO optimise directement la politique sans nécessiter de réentraînement supervisé complet à chaque étape.

5. Signification et Conclusion

Cet article démontre que l'intégration de théories architecturales (syntaxe spatiale) dans les pipelines d'IA générative est non seulement possible mais nécessaire pour obtenir des résultats architecturalement rationnels.

• Pour la recherche : Il établit un nouveau standard pour l'évaluation des plans générés, passant de métriques purement géométriques (IoU, FID) à des métriques de logique spatiale et de hiérarchie fonctionnelle.
• Pour la pratique : La méthode SSPT-PPO offre une voie évolutive et efficace pour affiner les modèles génératifs pré-entraînés sans avoir à réinventer l'architecture du modèle de base. Elle permet d'aligner les sorties de l'IA sur des principes de conception humaine (comme la centralité du salon) de manière automatisée.

En résumé, SSPT comble le fossé entre la génération probabiliste de données et la logique spatiale rigoureuse, offrant un cadre robuste pour l'avenir de la conception architecturale assistée par l'IA.