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

Deze paper introduceert Space Syntax-guided Post-training (SSPT), een methode die architecturale theorie via een niet-differentieerbare orakel inbouwt in generatieve modellen voor woningplattegronden om de dominantie van publieke ruimtes en functionele hiërarchie te verbeteren, waarbij een reinforcement learning-benadering (PPO) de meest efficiënte resultaten levert.

De kern

Stel je voor dat je een architect bent die een huis ontwerpt. Je hebt een heleboel foto's van echte huizen gezien en je wilt een slimme computer leren om ook nieuwe, mooie huizen te tekenen.

Tot nu toe hebben we computers gewoon duizenden plattegronden laten zien en gezegd: "Kijk goed, en probeer er eentje na te tekenen." De computer leert dan wel hoe muren eruitzien en waar ramen zitten, maar hij mist vaak het gevoel van een goed huis. Hij tekent soms een slaapkamer die groter is dan de woonkamer, of een gang die zo groot is dat je er een winkel in kunt openen. Dat voelt niet "woonbaar", ook al ziet het er technisch correct uit.

Deze paper introduceert een slimme oplossing: SSPT (Space Syntax-guided Post-training). Laten we dit uitleggen met een paar creatieve vergelijkingen.

1. Het Probleem: De Computer die "Tekent" maar niet "Denkt"

Stel je de computer voor als een beginnende tekenaar die alleen maar kopieert. Hij heeft een stapel met 80.000 echte huisplattegronden (de dataset) en leert daaruit patronen. Maar omdat hij alleen maar naar de vorm kijkt, vergeten de huizen die hij maakt soms hun functie.

• Het probleem: In een echt huis is de woonkamer het hart. Het is de plek waar iedereen samenkomen, de "centrale hub". Slaapkamers zijn juist rustig en afgezonderd. De computer maakt soms huizen waar de slaapkamer het hart is en de woonkamer een afgelegen hoekje. Dat is als een orkest waar de drummachine het meest luid speelt en de viool fluistert.

2. De Oplossing: De "Ruimtelijke Chef" (De Oracle)

De auteurs bedenken een nieuwe methode: SSPT. Ze laten de computer niet alleen tekenen, maar ze geven hem een chef die na elke tekening kijkt of het huis logisch is.

Deze "chef" heet een Oracle. Hij is geen mens, maar een heel slim rekenprogramma dat gebaseerd is op Space Syntax (een theorie over hoe mensen zich door ruimtes bewegen).

• Hoe werkt de chef? Hij kijkt niet naar de mooie kleuren of de exacte maten. Hij kijkt naar de verbindingen. Hij vraagt zich af: "Is de woonkamer makkelijk te bereiken vanuit alle andere kamers? Is de slaapkamer juist wat afgezonderder?"
• Hij maakt een soort "stroomdiagram" van het huis. Als de woonkamer niet het centrale knooppunt is, zegt de chef: "Nee, dit is een slecht ontwerp!"

3. De Twee Manieren om te Leren (Iteratie vs. PPO)

De auteurs testen twee manieren om de computer te laten leren van deze chef:

• Manier A: De "Schoonmaakbeurt" (Iterative Retraining)
  De computer tekent 10.000 huizen. De chef kijkt ze na en gooit de 9.000 slechte ontwerpen in de prullenbak. De computer krijgt dan alleen de beste 1.000 ontwerpen om opnieuw te leren.

  • Vergelijking: Dit is als een student die 100 proefopdrachten maakt, de docent er 90 weggooit, en de student dan alleen de goede 10 nogmaals moet oefenen. Het werkt, maar het kost enorm veel tijd en papier (rekenkracht).

• Manier B: De "Directe Feedback" (PPO - Reinforcement Learning)
  Hierbij krijgt de computer direct een score van de chef terwijl hij aan het tekenen is. Als hij een lijn trekt die de woonkamer te ver weg maakt, krijgt hij direct een "minus" in zijn score. Hij past zijn tekenstijl direct aan om die minus te voorkomen.

  • Vergelijking: Dit is als een skateboarder die een coach heeft. De coach roept niet "gooi je hele skateboard weg en begin opnieuw", maar zegt direct: "Houd je linkerbeen iets lager, anders val je." De skateboarder leert veel sneller en met minder moeite.

4. De Resultaten: Sneller en Slimmer

De paper toont aan dat Manier B (PPO) veel beter werkt:

• Snelheid: Het is 10 keer sneller dan de "schoonmaakbeurt". De computer leert in een paar uur wat anders dagen zou duren.
• Kwaliteit: De huizen die de computer nu tekent, hebben een veel logischer indeling. De woonkamer is weer het centrale hart, en de slaapkamers zijn rustig. De "gang" is niet meer per ongeluk het grootste deel van het huis.
• Stabiliteit: De computer maakt minder "rare" fouten. Het resultaat is voorspelbaar goed.

5. De "Proefexamen" (SSPT-Bench)

Om te bewijzen dat dit echt werkt, hebben de auteurs een speciale test gemaakt. Ze trainden de computer op huizen met maximaal 7 kamers, maar lieten hem daarna testen op huizen met 8 kamers (een situatie die hij nooit eerder had gezien).

• Het resultaat: Zelfs bij deze nieuwe, moeilijkere situatie bleek dat de computer met de "Directe Feedback" (PPO) veel betere huizen tekende dan de oude methoden. Hij had de regels van een goed huis echt begrepen, niet alleen de patronen uit de oude foto's.

Samenvatting in één zin

Deze paper laat zien dat je een slimme AI kunt leren om betere huisontwerpen te maken door hem niet alleen foto's te laten kopiëren, maar hem een slimme "ruimtelijke chef" te geven die direct feedback geeft op de logische indeling van het huis, waardoor hij veel sneller en slimmer leert dan voorheen.

Technische samenvatting

1. Probleemstelling

Bestaande generatieve modellen voor woningplattegronden (zoals diffusion-modellen) worden doorgaans getraind om grote datasets (bijv. RPLAN) te fiten. Hoewel ze geometrisch realistische plattegronden kunnen genereren, missen ze vaak cruciale architecturale priors:

• Gebrek aan functionele hiërarchie: De modellen onderbenadrukken vaak de configuratorische dominantie van openbare ruimtes (zoals woonkamers en hal) ten opzichte van privéruimtes (slaapkamers, badkamers).
• Beperkte evaluatie: Bestaande evaluatiemethoden focussen op geometrische constraints (oppervlakte, wanden) of lokale burenrelaties, maar falen in het meten van diepere ruimtelijke eigenschappen zoals centrale toegankelijkheid en topologische integratie.
• Data-kwaliteit: Trainingsdatasets bevatten vaak plattegronden met onlogische ruimtelijke configuraties die niet automatisch kunnen worden gefilterd.

Het doel van dit onderzoek is om architecturale theorie (ruimtelijke syntaxis) te integreren in het generatieproces om de logische structuur van woningen te verbeteren, zonder de geometrische stabiliteit van het model te verliezen.

2. Methodologie

De auteurs stellen SSPT (Space Syntax-guided Post-training) voor, een post-training paradigma dat niet-differentieerbare kennis injecteert in diffusion-modellen.

A. De "Oracle" (Ruimtelijke Syntaxis)

Een cruciaal onderdeel is een deterministische, niet-differentieerbare "oracle" die plattegronden analyseert:

1. Mask-to-Graph: RPLAN-stijl maskers worden omgezet in een graaf van rechthoekige ruimtes via een "greedy maximal-rectangle decomposition".
2. Integratieberekening: Op basis van de graaf (waar knopen ruimtes zijn en randen toegankelijkheid via deuren aangeven) wordt spatial integration berekend. Dit meet hoe centraal een ruimte is binnen het totale systeem.
3. Doel: De oracle controleert of openbare ruimtes (woonkamer) een hogere integratie hebben dan privéruimtes, wat de fundamentele architecturale regel is voor een functionele woning.

B. Post-training Strategieën

Om de modellen te optimaliseren op basis van deze oracle (die niet differentieerbaar is), worden twee strategieën gebruikt:

1. SSPT-Iter (Iterative Retraining):
   • Het model genereert kandidaat-plattegronden.
   • De oracle filtert deze op basis van een "living-room dominance score".
   • Het model wordt opnieuw getraind (fine-tuning) op de geselecteerde, hoogwaardige subset.
2. SSPT-PPO (Proximal Policy Optimization):
   • Dit is een Reinforcement Learning (RL) aanpak.
   • Het diffusion-proces wordt gemodelleerd als een Markov Decision Process (MDP).
   • De oracle levert een terminal reward (op basis van integratie) aan het einde van het generatieproces.
   • Het model wordt geoptimaliseerd via PPO om deze reward te maximaliseren, terwijl het pre-getrainde geometrische gedrag behouden blijft (via KL-divergentie regularisatie).

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

Om eerlijke en reproduceerbare vergelijkingen mogelijk te maken, introduceren de auteurs een Out-of-Distribution (OOD) benchmark:

• Training: Modellen worden getraind op plattegronden met maximaal 7 kamers.
• Evaluatie: Modellen worden getest op plattegronden met exact 8 kamers.
• Metrieken: Een set van metrieken waaronder Public-Space Dominance, Living-Room Advantage en Profile Alignment (hoe goed de verdeling van integratie over kamertypes overeenkomt met echte data).

3. Belangrijkste Bijdragen

1. Architecturale Prior: Formalisering van "public-space dominance" als een berekenbaar doelwit voor AI-generatie, gebaseerd op ruimtelijke syntaxis.
2. Data & Representatie: Ontwikkeling van een geautomatiseerd systeem dat pixel-masks omzet in een rechthoek-graaf voor schaalbare integratieberekening.
3. Benchmark (SSPT-Bench/Eval-8): Een uniek evaluatieprotocol dat modellen test op hun vermogen om functionele hiërarchie te behouden onder distributieveranderingen (OOD).
4. Efficiënte Post-training: Het aantonen dat RL-basismethoden (PPO) effectiever en efficiënter zijn dan iteratieve hertraining voor het injecteren van complexe architecturale kennis.

4. Resultaten

De experimenten werden uitgevoerd op basis van de HouseDiffusion-basismodel en vergeleken met de RPLAN-dataset als referentie.

• Verbeterde Dominantie: SSPT-PPO verbeterde de public-space dominance (public_score) aanzienlijk ten opzichte van de baseline en de iteratieve methode. De mediaan steeg van 0,1292 (baseline) naar 0,2244 (PPO).
• Stabiliteit en Variatie: SSPT-PPO reduceerde de variantie (IQR en standaardafwijking) in de resultaten met ongeveer 20-30%. Dit betekent dat de generatie consistenter is en minder gevoelig voor stochastische ruis.
• Efficiëntie: SSPT-PPO was 11 keer sneller per iteratie dan SSPT-Iter (0,75 uur vs 8,30 uur), terwijl het betere resultaten opleverde. Dit komt door de directe optimalisatie van het beleid in plaats van volledige hertraining.
• Profiel-Alignement: De verdeling van integratiewaarden over verschillende kamertypes (bijv. slaapkamer vs. woonkamer) kwam dichter bij de empirische verdeling van echte woningen (RPLAN8) na PPO-post-training. Specifiek werden "over-geïntegreerde" privéruimtes en te centrale ingangen gecorrigeerd.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat het integreren van ruimtelijke syntaxis-theorie in data-gedreven generatieve modellen mogelijk en noodzakelijk is om architecturale rationaliteit te waarborgen.

• Theoretische Impact: Het bewijst dat architecturale principes (zoals de centrale rol van de woonkamer) niet alleen door data-fitting worden geleerd, maar expliciet moeten worden opgelegd via post-training.
• Praktische Toepassing: De SSPT-PPO-methode biedt een schaalbare, computerefficiënte route om generatieve AI-systemen te "alignen" met menselijke ontwerpvoorkeuren en functionele logica, zelfs wanneer de evaluatiemetrics niet differentieerbaar zijn.
• Toekomst: De framework is generiek toepasbaar op andere generatieve backbones (zoals Transformers) en kan worden uitgebreid met meer complexe architecturale constraints (bijv. circulatie-efficiëntie of bouwvoorschriften).

Kortom, SSPT biedt een brug tussen de wiskundige optimalisatie van AI en de kwalitatieve, functionele eisen van de architectuur.