这是论文《 Interactive Sketching of Urban Procedural Models 》的解读，主要以解读实现思路为主。

*

使用流程：

根据用户勾画的草图，系统自动生成3D的建筑模型。

 a）用户简单勾画建筑物某个组件的轮廓

 b）基于深度学习，系统找到匹配预定义的组件集（论文称为 Snippet Grammar ）

 c）用户从匹配到的组件集中挑选合适的组件 （系统转化为 Snippet Grammar 的形式）

 d）系统合成用户的选项（组装 Snippet Grammar ），生成建筑 3D 模型

*

基于参数的描述性语言：

论文提出的 Snippet Grammar ，是基于参数的描述性语言，非常容易转化为机器学习训练所需要的数据形式。按照建筑物的构成划分为 Building mass 、Roof 、Window 、Ledge 等几类组件集，Snippet Grammar  则描述了 3D 模型所属的组件集及其参数集合。

例如，建筑物 3D 模型的描述：

Snippet Grammar 非常像 HTML 标签语言，也类似于 RDF/RDFS ，资源描述框架（ RDF ）是用于描述网络资源的 W3C 标准，比如网页的标题、作者、修改日期、内容以及版权信息。

我们可以把设计的规则转化为 Snippet Grammar，然后再转化为图片与 Gi 作为 CNNs 的输入数据。

*

实现思路：

1 分类标签

图为分类标签示例

按照建筑物的构成划分为 Building mass、Roof、Window、Ledge 等几类组件集；

2  3D 模型参数化

每一个建筑物组件 3D 模型使用 Snippet Grammar 描述；

3 生成训练数据

每一类组件集参数随机变化形成许多的 3D 模型；把生成的每一个 3D 模型对应的图片（草图），及 Snippet Grammar 保存下来。

4 训练数据处理

共2组训练数据，分别为：

（草图，分类标签），用于判断草图属于哪一个标签（分类问题）；

（草图， Snippet Grammar ） ，定义为 Gi = { α, τ, η, ρ } ，用于估计草图的参数组合；

5 CNNs训练标签分类模型：

使用（草图，分类标签） 作为输入，基于 CNNs 训练分类模型，建立（草图，分类标签）之间的映射关系。相当于告诉机器哪张图属于建筑物的哪个组件（属于 window 还是 roof 等）。

6 CNNs训练各个标签下的参数分类模型：

图为building mass的示例

使用（草图，Gi ）作为输入，建立某一标签下草图对应的参数之间的映射关系。相当于，告诉机器，在 building mass 标签（或其他标签）下，这张草图属于那一组参数。

7 应用：

当用户输入新的草图图片时，模型判断属于哪个分类标签，并返回最可能的 Gi 集合给用户，最后再根据用户选择的Gi 对应的 Snippet Grammar ，生成 3D 模型。

相关文章推荐：

        聊聊人工智能建筑师

知识星球

论文原文可在知识星球下载，关于本文的一些深入性探讨，我们都会记录于知识星球。还包括：

1 看到一些好案例，关键技术解决方案，写出文章又不成体系，发星球;

2 我会在知识星球发一些非常机密的研究心得;

3 一些非常有技巧的知识，给付费用户;

4 公众号的迭代版本，针对文章发更为升级、核心的内容。

5 当然，还有资深的专家在星球里。

关于公众号：

本公众号定期更新人工智能&设计&科技内容。谈点设计，敲点代码，偶尔创作点人工智能实验产品。

码字不易，开启新的打赏方式：