Training GANs with synthetic data: A dual-layered approach to ai-driven architectural layout generation
Sentetik veriyle GAN eğitimi: YZ tabanlı mimari yerleşim oluşturma için çift katmanlı bir yaklaşım
- Tez No: 928391
- Danışmanlar: DOÇ. DR. LALE BAŞARIR
- Tez Türü: Yüksek Lisans
- Konular: Mimarlık, Architecture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İzmir Ekonomi Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mimarlık Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Mimari plan üretimi, onlarca yıldır önemli bir araştırma konusu olmuştur. Son yıllarda, GAN'lar, CNN'ler ve GNN'ler gibi yapay zeka modelleri mimari planlar üretmek için kullanılmaktadır. Literatürde önemli başarılar kaydedilmiş olsa da, çeşitli zorluklar devam etmektedir. Literatürde en sık bahsedilen sorun, düzenlenmiş yüksek kaliteli veri setlerinin eksikliğidir. Büyük veri setleri mevcut olsa da, farklı senaryolar, tarzlar veya kültürlere hizmet edebilecek kadar kapsayıcı değillerdir. Ayrıca, çizimlerin toplanması, elenmesi, temizlenmesi, maskeleme ve etiketleme gibi ön işleme görevleri manuel emek gerektirmektedir. Bu görevler hata ve önyargılara açık olduğu gibi aynı zamanda zaman alıcıdır. Bu sebeple, yapay zeka modellerinin eğitilmesindeki zorluklar nedeniyle, yüksek kaliteli ve önyargısız veri setleri oluşturmak için sentetik veri kullanımı olası bir alternatif olarak ortaya çıkmaktadır. Bu çalışma, model eğitimi için temel bir veri seti olarak hizmet etmek üzere, bir yatak odalı dairelerin mimari planlarını üretme bağlamına odaklanmaktadır. Önerilen yaklaşım iki katmanlı bir metodoloji sunmaktadır. İlk olarak, yerel yönetmeliklere dayanan ve p5.js üzerine kurulan bir üretken algoritma, mimari planları otonom ve rastgele bir şekilde üretmektedir. Daha sonra, geleneksel yapay zeka odaklı çalışmaların aksine, üretilen sentetik veri seti ile bir GAN eğitilmektedir. Sentetik verilerden faydalanarak, yalnızca modelin eğitim sürecini optimize edilmesi değil, aynı zamanda mimari planları özünde ham ve öznel nüanslardan arındırılmış bir şekilde üretilmesi hedeflenmiştir. Bu çalışma, sentetik verilerin yapay zeka destekli mimari plan üretim sürecinde önemli bir rol oynayabileceğini, veri seti kalitesini, çeşitliliğini ve uyarlanabilirliğini artıran yapılandırılmış bir çerçeve sunduğunu göstermektedir.
Özet (Çeviri)
Architectural layout generation has been a prominent research topic for decades. Recently, AI models such as GANs, CNNs, and GNNs have been utilized to generate architectural layouts. Although there has been notable success in the literature, several challenges persist. The most frequently mentioned one in the literature is the lack of curated high-quality datasets. While large datasets exist, they are still not comprehensive enough to serve diverse scenarios, styles, or cultures. Further, the preprocessing tasks such as gathering drawings, screening, cleaning, masking, and labeling require manual labor. Since these tasks are prone to errors and biases, they are also time-consuming. Thus, due to the challenges in training AI models, the use of synthetic data appears as a possible alternative to generate high-quality and unbiased datasets. This work focuses on a specific context, generating architectural layouts for one-bedroom flats to serve as a basic training dataset. The proposed approach introduces a dual-layered methodology. Initially, a generative algorithm powered by p5.js autonomously and randomly generates architectural layouts within the local regulatory constraints. Subsequently, unlike traditional works on AI-driven systems, a GAN is trained with the generated synthetic dataset. By leveraging synthetic data for training, we not only aim to optimize the training process but also to create architectural layouts raw in their essence and devoid of subjective nuances. This study demonstrates that synthetic data can play a significant role in the AI-driven architectural layout generation process, offering a structured framework that enhances dataset quality, diversity, and adaptability.
Benzer Tezler
- 3D point cloud classification with GANs: ACGAN and VACWGAN-GP
3B nokta bulutunun çekişmeli sinir ağları ile sınıflandırılması: ACGAN ve VACWGAN-GP
ONUR ERGÜN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF SAHİLLİOĞLU
- A gan-based hybrid data augmentation framework on chest x-ray images and reports
Göğüs x-ray görüntüleri ve raporları üzerine gan tabanlı hibrit veri güçlendirme yöntemi
HASAN BERAT ÖZFİDAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN
DR. PINAR YANARDAĞ
- Wasserstein generative adversarial active learning for anomaly detection with gradient penalty
Gradyan cezalı Wasserstein üretici çekişmeli ağlar ile aktif öğrenme kullanılarak anomali tespiti
HASAN ALİ DURAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ
- Derin çizge öğrenmesi ile ilaç adayı moleküllerin otomatik şekilde tasarımı
Automated generation of drug candidate molecules with deep graph learning
ATABEY ÜNLÜ
Yüksek Lisans
İngilizce
2023
BiyoistatistikHacettepe ÜniversitesiBiyoenformatik Ana Bilim Dalı
DOÇ. DR. TUNCA DOĞAN
- An analysis on dimensionality and architecture on generative models
Üretken modellerde boyutsallik ve mimari uzerine analiz
ALİ EMRE GÜRSU
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. BERTAN YILMAZ BADUR