RoomDreaming: 促进迭代初步室内设计探索的生成式AI方法

文献标题

RoomDreaming: Generative-AI Approach to Facilitating Iterative, Preliminary Interior Design Exploration

文献信息

• 主题领域: 人机交互、生成式人工智能、室内设计辅助工具
• 关键词: 生成式人工智能, 室内设计, 人机交互, 用户中心设计, 设计迭代

研究背景与问题

• 发现的问题或挑战:
  • 初步的室内设计探索需要经过漫长的设计师与客户的多次会面和反复修改，耗时数周甚至数月。
  • 业主在现有工具（如Pinterest、Google Images）中难以找到与实际空间布局匹配的参考设计，并需要想象多个想法的组合效果。
  • 设计师难以完全理解业主的偏好，仅通过语言沟通时常产生误解。
• 重要性:
  • 提高效率和优化业主与设计师的沟通是室内设计领域的重要需求。
  • 在项目早期提供更多设计方案能够帮助设计更接近业主需求，减少后期返工。
• 研究动机与相关工作:
  • 当前市场上已有部分生成式AI应用于室内设计（如RoomGPT、InteriorAI），但这些工具缺乏支持用户偏好选择或设计迭代的能力。
  • CAD工具能帮助设计工作机械化，但对初期设计探索支持不足。
  • 本研究旨在结合AI的快速生成能力与以用户为中心的交互设计方法，来改进初步设计探索阶段。

解决方案

• 方法或解决方案:
  • RoomDreaming 是一个基于生成式人工智能的工具，旨在根据用户偏好生成满足实际房间布局的设计提案，并支持快速和大量的迭代。
  • 系统包括一个网页界面、后台生成模块（图像分析、提示生成器、设计生成器），以及大语言模型（GPT-3.5）。
  • 用户可以通过“点赞（Likes）”、“书签（Bookmarks）”、键入要求等方式表达所需与偏好的设计方向。
  • 支持用户调整新设计方向与现有偏好方向的比例，动态控制设计发散与收敛过程。
• 解决方案的创新之处:
  • 人机参与式生成：允许业主和设计师通过不断迭代生成和筛选数百个设计方向，更高效地探索设计。
  • 空间布局匹配：AI生成的图像与实际房间布局紧密符合，优化用户的可视化体验。
  • 可调节的设计控制：让用户能在设计发散与收敛之间找到平衡。
• 关键技术与实施步骤:
  • 图像分析模块：采用分割模型（UPerNet）和深度估计模型（Monocular Depth Estimation）对输入房间照片进行分析，提取房间元素与空间信息。
  • 设计生成模块：使用ControlNet与Stable Diffusion生成高质量、符合房间布局的图片。
  • 用户偏好集成：通过大语言模型分析用户的“点赞”和“书签”，生成新的提示词以指导生成设计。

研究成果

• 具体成果:
  • 在5项用户研究中（18位业主、20位设计师参与），RoomDreaming成功提高设计探索的广度和深度，并缩短了传统设计迭代的时间。
  • 用户能够在1小时内完成数百次设计迭代；设计师估计，与传统设计流程相比，这相当于节省了4到31个工作日的时间。
  • 在初期阶段，用户对生成设计的效率和灵活性表示普遍满意。
• 优势:
  • 与现有生成式AI工具相比，RoomDreaming明显提高了迭代能力和用户控制力。
  • 系统生成的设计动态反映房间布局与用户偏好，可逐渐从发散探索到收敛为满意设计。
• 实验或评估结果:
  • 在图像质量评估中，设计师表示AI生成的图像在结构系统、功能性、用户需求兼容性和美学标准上达到了可用于讨论的水平。
  • 使用的系统在实际房间中（无家具与家具齐备两种场景）均获得了70%-90%的“好”到“非常好”的评分。
• 局限性与未来方向:
  • AI生成的部分设计在空间比例和人体工学方面表现有限，容易引发用户对实际可行性的误解。
  • 系统暂未支持多房间设计探索，需扩展为支持家庭级设计（如“HomeDreaming”）。
  • 计划开发更多创意控制功能以支持更大胆或非传统的设计探索，同时考虑加入区域适配以满足地域性用户需求。