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

이 논문은 주거 평면 생성 모델이 대규모 데이터 분포에 최적화되는 과정에서 간과하기 쉬운 공간 구성적 지배력과 기능적 위계를 복원하기 위해, 비미분 가능한 오라클을 통해 공간 문법 지식을 주입하는 '공간 문법 유도 사후 학습 (SSPT)' 방법론과 이를 평가하는 벤치마크를 제안하고, 이를 통해 PPO 기반 강화학습이 계산 효율성과 성능 면에서 우수한 결과를 보임을 입증했습니다.

핵심

🏠 1. 문제: AI 는 '모양'은 잘 그리는데 '마음'은 모릅니다

지금까지의 AI 는 수만 장의 실제 집 평면도를 보고 학습했습니다. 마치 어린 학생이 수만 권의 그림책을 보고 '집'이 어떻게 생겼는지 외운 것과 같습니다.

• 성공: AI 는 방의 크기, 벽의 위치, 문이 어디에 있는지 같은 '기하학적 모양'은 아주 잘 그립니다.
• 실패: 하지만 **집의 '논리'나 '흐름'**은 잘 이해하지 못합니다.
  • 예를 들어, 거실 (공공 공간) 이 집의 중심이 되어야 하는데, AI 는 문방 (화장실) 이나 복도가 집 한가운데에 튀어나와 있거나, 침실이 거실보다 더 중심에 있는 엉뚱한 집을 그리기도 합니다.
  • 이는 AI 가 단순히 '데이터 통계'만 따졌기 때문입니다. "거실은 사람들이 많이 모이는 곳이니까 중심에 있어야 해"라는 건축적 상식을 놓친 것입니다.

🔍 2. 해결책: '공간 문법 (Space Syntax)'이라는 나침반

저자들은 AI 에게 **'공간 문법 (Space Syntax)'**이라는 나침반을 쥐어주기로 했습니다.

• 비유: 집은 단순히 방들이 모여 있는 게 아니라, 사람이 움직이는 길 (통로) 이 연결된 네트워크입니다.
• 핵심 원리: "거실과 부엌 같은 공공 공간은 집의 **심장 (가장 연결된 중심)**이 되어야 하고, 침실이나 화장실 같은 사적 공간은 **말미 (외곽)**에 있어야 한다"는 규칙을 수학적으로 계산할 수 있게 만든 것입니다.
• 작동 방식: AI 가 그린 평면도를 보고, **"이 집의 거실이 정말 중심에 있는가?"**를 자동으로 점수 매기는 **'심판관 (Oracle)'**을 개발했습니다.

🚀 3. 방법: AI 를 다시 교육하는 두 가지 방법 (SSPT)

이제 AI 가 잘못된 집을 그렸을 때, 어떻게 고칠까요? 저자는 두 가지 방법을 제시합니다.

방법 A: "고급스러운 필터링" (Iterative Retraining)

• 비유: 수천 개의 초안을 그린 뒤, 심판관이 좋은 것만 골라내서 다시 학습시키는 방식입니다.
• 과정:
  1. AI 가 1,000 개의 집을 그립니다.
  2. 심판관이 "이건 거실이 중심이 아니야 (점수 낮음)"라고 버리고, "이건 훌륭해 (점수 높음)"라고 남깁니다.
  3. 좋은 것만 모아 AI 에게 다시 가르칩니다.
• 단점: 시간이 매우 오래 걸립니다. (매번 1,000 개를 다 그리고 고르는 과정이 필요해서)

방법 B: "강화 학습 (PPO)" - 이 연구의 하이라이트

• 비유: 게임 플레이어를 훈련시키는 방식입니다.
• 과정:
  1. AI 가 집을 그리는 과정 자체를 게임으로 봅니다.
  2. AI 가 한 단계씩 그림을 그릴 때마다, "거실 중심성 점수"를 미리 계산해 둔 심판관에게 점수를 받습니다.
  3. "점수가 높으면 보상을 주고, 낮으면 벌칙을 줘서" AI 가 스스로 **"어떻게 그리면 점수가 잘 날까?"**를 학습하게 합니다.
• 장점: 훨씬 빠르고 효율적입니다. (기존 방법보다 약 10 배 이상 빠르며, 결과도 더 안정적입니다.)

📊 4. 결과: "더 똑똑해진 AI"

이 새로운 방법 (특히 강화 학습) 으로 훈련된 AI 는 다음과 같은 변화를 보였습니다:

• 거실의 위엄 회복: 거실이 집의 중심에 자리 잡고, 침실이나 화장실은 자연스럽게 외곽으로 밀려났습니다.
• 안정성: AI 가 그리는 집마다 형태가 들쑥날쑥하지 않고, 항상 '살기 좋은 집'의 기준을 유지했습니다.
• 효율: 적은 시간과 계산 능력으로 더 좋은 결과를 얻었습니다.

💡 5. 결론: 왜 이 연구가 중요한가요?

이 연구는 **"AI 가 단순히 데이터를 베끼는 것을 넘어, 인간의 건축 철학 (상식) 을 배울 수 있다"**는 것을 증명했습니다.

• 창의적 비유: 기존 AI 는 **'모방하는 화가'**였다면, 이 연구를 통해 **'건축 철학을 이해하는 설계사'**로 진화한 것입니다.
• 미래: 앞으로 AI 가 집을 설계할 때, 단순히 예쁜 그림만 그리는 게 아니라, 사람이 살기 편하고 논리적인 공간을 자동으로 만들어낼 수 있는 길이 열렸습니다.

한 줄 요약:

"AI 가 집을 그릴 때, 단순히 모양만 따라 하지 않고 **'거실은 중심에, 침실은 구석에'**라는 건축 상식을 수학적으로 가르쳐서, 훨씬 더 현실적이고 효율적인 집을 만들게 했습니다."

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 기존 모델의 한계: 현재 주거 평면 생성을 위한 딥러닝 기반 생성 모델 (GAN, Diffusion 등) 은 대규모 데이터 분포에 적합하도록 최적화되어 있습니다. 이로 인해 데이터의 통계적 패턴은 잘 학습하지만, 건축적 선지 (Architectural Priors) 인 공간의 위계성, 특히 '공공 공간 (거실, 현관 등) 의 중심성'과 '사적 공간 (침실, 욕실 등) 의 격리성'과 같은 중요한 설계 원칙이 약화되는 문제가 발생합니다.
• 평가의 부재: 기존 평면 평가 지표는 기하학적 제약 (방 크기, 인접성) 에 치중되어 있어, 공간 문법 (Space Syntax) 이론에서 강조하는 공간 통합도 (Integration) 나 기능적 위계와 같은 심층적인 공간적 합리성을 체계적으로 평가하거나 학습에 반영하는 방법이 부족했습니다.
• 데이터의 품질 문제: 대규모 학습 데이터셋 (RPLAN 등) 에는 공간 논리가 결여되거나 기능 라벨링이 잘못된 사례가 포함되어 있어, 이를 자동으로 선별하고 정제할 수 있는 도구가 필요했습니다.

2. 제안 방법론 (Methodology)

저자들은 SSPT (Space Syntax-guided Post-training) 라는 새로운 사후 학습 패러다임을 제안하며, 이는 비가분적 (non-differentiable) 인 '오라클'을 통해 공간 문법 지식을 생성 모델에 주입합니다.

2.1. 핵심 구성 요소: 공간 문법 오라클 (Space Syntax Oracle)

• 직사각형 - 공간 그래프 변환: RPLAN 스타일의 평면 마스크를 최대 직사각형 분해 (Greedy Maximal-Rectangle Decomposition) 를 통해 직사각형 단위로 분할하고, 문 (Door) 을 매개로 한 인접성을 기반으로 직사각형 - 공간 그래프 (Rectangle-space Graph) 를 구성합니다.
• 통합도 (Integration) 계산: 생성된 그래프를 기반으로 공간 문법 이론의 핵심 지표인 '통합도 (Integration)'를 계산합니다. 이를 통해 각 공간이 전체 평면 내에서 얼마나 중심적인지 (접근성) 를 정량화합니다.
• 자동 선별 및 평가: 이 오라클은 공공 공간 (거실 등) 이 높은 통합도를 가져야 한다는 원칙을 기반으로 생성된 평면의 유효성을 자동으로 판단하고 점수를 매깁니다.

2.2. SSPT 전략 (두 가지 접근법)

1. SSPT-Iter (반복적 재학습):
   • 생성된 수많은 후보 평면 중 오라클 점수가 높은 (공공 공간 중심성이 잘 지켜진) 상위 K 개를 선별합니다.
   • 이 선별된 데이터셋으로 확산 모델 (Diffusion Model) 을 미세 조정 (Fine-tuning) 하는 방식을 반복합니다.
2. SSPT-PPO (강화 학습 기반):
   • 생성 과정을 마르코프 결정 과정 (MDP) 으로 간주하고, 근접 정책 최적화 (PPO, Proximal Policy Optimization) 알고리즘을 적용합니다.
   • 오라클이 부여하는 최종 보상 (Terminal Reward) 을 기반으로 정책 (Policy) 을 직접 최적화합니다.
   • 핵심 이점: 비가분적 오라클을 보상 함수로 사용하여, 확산 모델의 역과정 (Reverse Process) 단계에서 직접 공간 문법 원칙을 학습하도록 유도합니다.

2.3. 평가 벤치마크: SSPT-Bench (Eval-8)

• OOD (Out-of-Distribution) 평가: 학습 시에는 7 개 이하의 방을 가진 조건으로만 학습하고, 정확히 8 개의 방을 가진 조건으로 평가하여 모델의 일반화 능력을 검증합니다.
• 지표: 공공 공간 우세도 (Public-space Dominance), 거실 상대 통합도, 기능적 위계 일치도 (Profile Alignment) 등을 정량화합니다.

3. 주요 기여 (Key Contributions)

1. 건축적 선지의 계산화: 공간 문법 통합도 (Integration) 를 주거 평면 생성을 위한 계산 가능한 선지 (Prior) 로 정립하고, 이를 평가 및 최적화의 기준으로 삼았습니다.
2. 자동화된 데이터 선별 및 지식 추출: RPLAN 데이터셋 8 만 개 이상을 분석하여 공공 공간이 실제로 가장 높은 통합도를 가진다는 실증적 사실을 확인하고, 이를 기반으로 데이터 정제 및 평가 체계를 구축했습니다.
3. 통합 평가 벤치마크 (SSPT-Bench): 재현 가능한 OOD 평가 프로토콜과 공공 공간 우세도를 측정하는 일관된 지표 세트를 제안했습니다.
4. 효율적인 사후 학습 프레임워크: 확산 모델 기반 생성기에 공간 문법 지식을 주입하는 두 가지 전략 (Iter, PPO) 을 제안하고, PPO 가 재학습 방식보다 10 배 이상 높은 계산 효율성과 더 나은 성능을 보임을 입증했습니다.

4. 실험 결과 (Results)

• 성능 향상: SSPT-PPO 는 기존 베이스라인 (HouseDiffusion) 대비 공공 공간 우세도 (public_score) 와 거실 우세도 (living_adv) 를 크게 향상시켰습니다.
  • public_score 중앙값: 0.1292 (베이스) → 0.2244 (SSPT-PPO)
  • living_adv 중앙값: 0.2413 (베이스) → 0.3522 (SSPT-PPO)
• 안정성 및 분산 감소: SSPT-PPO 는 성능 향상뿐만 아니라 생성 결과의 분산 (표준편차, IQR) 을 크게 줄여, 더 일관되고 제어 가능한 평면을 생성함을 보여주었습니다.
• 계산 효율성:
  • SSPT-Iter: 1 회 반복 학습당 약 8.3 시간 소요.
  • SSPT-PPO: 1 회 반복 학습당 약 0.75 시간 소요 (약 11 배 빠른 속도).
  • PPO 는 오라클 호출 횟수를 최소화하고 모델 공간 내에서 최적화를 수행하여 효율성이 극대화되었습니다.
• 기능적 위계 복원: SSPT-PPO 를 적용한 모델은 현관 (Entrance) 이 과도하게 중심화되거나 침실/욕실이 너무 통합되는 오류를 수정하여, 실제 주거 데이터 (RPLAN8) 와 유사한 명확한 공공/사적 공간 위계를 회복했습니다.

5. 의의 및 결론 (Significance)

• 이론과 AI 의 융합: 이 연구는 추상적인 건축 이론 (공간 문법) 을 데이터 기반 생성 모델에 효과적으로 통합하는 새로운 패러다임을 제시했습니다.
• 비가분적 제약의 해결: 확산 모델과 같은 생성 모델이 비가분적 (Non-differentiable) 인 도메인 지식 (건축 규칙) 을 학습하는 데 있어, 강화 학습 (PPO) 기반 사후 학습이 반복적 재학습보다 훨씬 효율적이고 효과적임을 입증했습니다.
• 실용적 가치: 대규모 데이터셋의 품질을 자동으로 진단하고, 생성된 평면의 건축적 합리성을 객관적으로 평가할 수 있는 도구를 제공함으로써, AI 보조 설계 (AI-assisted Design) 의 신뢰성을 높이는 데 기여합니다.

요약하자면, 이 논문은 공간 문법 이론을 '오라클'로 활용하여 확산 모델의 사후 학습을 유도함으로써, 단순한 기하학적 유사성을 넘어 건축적 위계와 공간적 합리성을 갖춘 고품질 주거 평면을 효율적으로 생성하는 방법론을 제시한 것입니다.