기술 요약: ResPlan

문제 정의

기존의 주거용 평면도 분석 데이터셋은 규모, 벡터 기하학, 그리고 위상적 풍부함 사이에서 실질적인 절충안을 제시하고 있다. RPLAN과 같은 대규모 데이터셋은 약 80,000개의 샘플을 제공하지만, 저해상도 래스터(raster)로 제한되어 있으며 단순한 레이아웃(평균 약 6.7개 방)을 가지고 있고, 미터 단위의 좌표나 명시적인 방-연결성 그래프가 부족하다. 반대로, MSD와 같은 벡터 기반 데이터셋은 기하학적 정밀도와 그래프를 제공하지만, 사용자가 더 큰 건물 평면에서 개별 유닛을 추출해야 하며, CubiCasa5K와 같은 다른 데이터셋은 훨씬 작은 규모(5,000개 샘플)에서 풍부한 주석을 제공한다. 결과적으로, 연구자들은 높은 규모, 네이티브 벡터 기하학, 미터 단위 좌표, 그리고 유형화된 그래프 연결성을 동시에 제공하는 자립형 유닛 수준의 데이터셋을 확보하는 데 어려움을 겪고 있다(예: 8개 이상의 기능적 방을 가진 복잡한 레이아웃의 경우).

방법론

데이터 수집 및 처리:
ResPlan은 27,000개의 렌더링된 텍스처 포함 부동산 매물 이미지를(남아시아 시장 유래) 주석이 달린 벡터로 변환하여 구축되었다. 파이프라인은 세 단계로 구성된다:

1. 세그멘테이션 및 OCR: 색상/텍스처 세그멘테이션을 통해 구조적 선으로부터 방을 분리하며, OCR은 의미론적 라벨과 치수를 추출한다.
2. 벡터화: 연결된 구성 요소(connected components)를 방, 벽, 문, 창문을 위한 폴리곤으로 추적한다. 클래스는 시각적 단서와 OCR을 결합하여 결정되며, 나열된 총 면적이 미터 스케일을 고정한다.
3. 후처리: 유효하지 않은 파편을 폐기하고, 슬리버(sliver)를 제거하며, 경계를 조정한다. 벽 두께를 정규화하고, 기하학적 검사와 시각적 점검을 통해 문-벽 정렬을 검증한다.

데이터셋 스키마:
최종 데이터셋은 17,000개의 주거용 평면도를 포함한다. 각 샘플에는 다음이 포함된다:

• 벡터 기하학: 픽셀 및 실제 세계의 미터 좌표에서의 폴리곤(중앙값 평면 너비 12.4m, 벽 두께 21cm).
• 의미론적 분류 체계(Semantic Taxonomy): 기능적 공간(예: 침실, 주방), 구조적 요소(벽, 문), 그리고 경계 레이어를 포함하는 17개 클래스.
• 그래프 연결성: 노드는 공간을 나타내고 에지는 네 가지 유형의 관계(via_door, via_window, adjacency(벽 공유), direct(현관문 접근))를 인코딩하는 방-연결성 그래프.
• 분할(Splits): 침실 개수에 따라 계층화된 표준 80/10/10 훈련/검증/테스트 분할(13,736/1,632/1,632).

벤치마크 과업:
본 논문은 구조화된 평면도 학습을 평가하기 위해 세 가지 과업을 정의한다:

1. 의미론적 방 라벨링: 그래프 노드를 다섯 가지 기능적 카테고리(침실, 욕실, 주방, 거실, 발코니)로 분류.
2. 제약 조건이 있는 생성: 경계, 방 목록, 인접 그래프가 주어졌을 때 평면도를 생성.
3. 평면도-그래프 추출: 폴리곤 레이아웃으로부터 유형화된 연결성 그래프를 복구.

주요 기여

1. ResPlan 데이터셋: 네이티브 벡터 기하학, 미터 스케일 좌표, 17개 클래스의 의미론적 분류 체계를 특징으로 하는 대규모(17,000개 샘플) 자립형 유닛 수준 데이터셋.
2. 유형화된 그래프 표현: 서로 다른 공간 연결 모드를 명시적으로 모델링하여 그래프 조건부 추론을 지원하는 네 가지 유형의 에지 스키마(via_door, via_window, adjacency, direct) 도입.
3. 복잡도 규모: 본 데이터셋은 기존 벤치마크의 복잡성을 크게 확장한다. 테스트 평면의 34.6%는 변환된 RPLAN 분할에서 관찰된 최대치(8개)보다 많은 기능적 방을 포함하고 있으며, 레이아웃은 최대 22개의 방에 달한다.
4. 베이스라인 및 코드: 로딩/렌더링 코드, 표준 분할, 세 가지 벤치마크 과업에 대한 베이스라인 결과를 포함하여 향후 구조화된 레이아웃 연구를 위한 참조점을 구축한다.

실험 결과

과업 1: 의미론적 방 라벨링

• 성능: GraphSAGE가 가장 높은 정확도(95.1%)와 macro-F1(0.950)을 달성하였으며, 이는 트리 기반 방법(Random Forest: 91.4%)과 GCN(73.9%)을 능가한다.
• 특성 중요도: 어블레이션 연구(Ablation studies)를 통해 노드 속성(면적, 비율)과 유형화된 에지 차수가 중요하다는 것을 확인했다. 유형화된 에지 차수를 제거하면 정확도가 2.3 퍼센트 포인트 감소한다.
• 전이 학습: 상당한 도메인 격차가 존재한다. RPLAN으로 훈련하고 ResPlan으로 테스트했을 때 정확도는 58.2%였으며, ResPlan으로 훈련하고 RPLAN으로 테스트했을 때는 64.9%였다. 이는 레이아웃 복잡도와 방 분포의 구조적 차이를 나타낸다.

과업 2: 제약 조건이 있는 평면도 생성

• 검색 vs 생성: 개수 일치 검색(Count-matched retrieval)은 99.6%의 방 개수 정확도를 달성했으나, 그래프 재순위화 검색(graph-re-ranked retrieval)은 인접성 만족도를 90.3%까지 개선했다.
• 생성 모델:
  • CVAE: 높은 방 개수 정확도(99.5%)를 유지했으나, 인접성 만족도(~0.68)에서 어려움을 겪었으며 종종 거실 공간을 지배적인 직사각형으로 붕괴시켰다.
  • Layout GNN: 구성상 거의 완벽한 인접성 만족도(0.999)를 달성했으나, 현실적인 기하학을 생성하는 데 실패하여(낮은 Boundary IoU, ~0.16) 직사각형 방을 강제했다.
  • DDPM: 시각적으로 현실적인 이미지(FID 6.1)를 생성했지만, 방 개수나 인접성에 대한 구조적 보장을 결여했다.
• 확장성: CVAE의 성능은 평면 복잡도가 증가함에 따라(4~6개 방에서 13개 이상으로) 단조롭게 저하되었다(인접성 만족도가 0.70에서 0.42로 하락). 이러한 저하는 변환된 RPLAN 분할의 지원 범위를 벗어난 9개 이상의 방 영역에서 발생한다.

과업 3: 평면도-그래프 추출

• 에지 탐지: 공유 경계 탐지만으로도 실제 에지의 98.2%를 복구했다(F1 0.971).
• 유형 분류: 공유 경계 탐지에 Gradient Boosting 분류기를 추가함으로써 유형 정확도를 다수 클래스 기준선인 50.4%에서 85.0%로 높였다. GraphSAGE 변형은 83.1%의 유형 정확도에 도달했다.
• 오류 분석: 오류는 희소한 via_window 클래스(에지의 3.0%)에 집중되었으며, 창문이 공유 벽을 가로지르는 경우 adjacency와 혼동되는 경우가 많았다.

의의 및 주장

본 논문은 ResPlan을 평면도 연구에서 규모, 벡터 기하학, 위상 사이의 절충안을 제거하기 위한 필수적인 자원으로 포지셔닝한다. 그 의의는 다음과 같다:

• 복잡한 레이아웃 분석 가능: 기존 래스터 기반 벤치마크의 용량을 초과하는 복잡한 다방 주거 공간에 대한 연구를 지원할 수 있는 최초의 대규모 벡터 데이터셋을 제공한다.
• 그래프 조건부 추론 지원: 네이티브로 제공되는 유형화된 연결 그래프를 통해 래스터 전용 데이터셋에서는 불가능한 그래프 기반 생성 및 추론 작업에 대한 직접적인 감독을 가능하게 한다.
• 구조적 격차 벤치마킹: 교차 데이터셋 전이 실험과 확장성 분석(과업 2)은 현재의 방법론들이 8개 이상의 방을 가진 레이아웃에서 어려움을 겪고 있음을 강조하며, 이는 향후 발전이 결합된 기하-그래프 모델과 에지 유형별 메시 전달(per-edge-type message passing)을 필요로 함을 시사한다.

저자들은 지리적 범위(남아시아 매물 한정), 표현 방식(단층, 가구/3D 없음), 그리고 주석 아티팩트(1% 미만의 폴리곤에서 나타나는 거친 윤곽선)에 대한 한계를 언급하며, ResPlan으로 훈련된 모델이 추가적인 적응 없이는 서구 또는 동아시아의 건축 관습으로 직접 전이되지 않을 수 있음을 인정한다.