생성형 AI 학습을 통한 건축설계 2D 평면도 자동생성에 대한 연구 = A Study on Automatic Generation of 2D Floor Plans for Architectural Design Using Generative AI Learning

국문 초록 (Abstract)

생성형 AI 학습을 통한 건축설계 2D 평면도 자동생성에 대한 연구 강 원 일 울산대학교 산업대학원 산업경영공학과 건축설계의 초기 계획 단계(Schematic Design)는 프로젝트의 성패를 결정짓는 중요 한 과정이지만, 설계자의 직관에 의존한 반복적인 수정 작업과 수동적인 디지털 도구 (CAD, BIM)의 한계로 인한 비효율성이 계속되어 왔다. 최근 딥러닝 기반의 생성형 AI(Generative AI) 기술이 대두되면서 이를 해결하려는 시도가 활발히 이루어지고 있 다. 기존의 GAN이나 그래프 신경망(GNN) 기반 모델들은 건축 도면이 요구하는 엄격 한 구조적 정밀도를 확보하지 못하거나, 설계자가 생성 과정에 개입할 수 없는 블랙박 스와 같은 특성으로 인해 실무 적용에 한계를 보였다. 이에 본 연구는 텍스트 프롬프트를 통한 의미적 제어와 공간적 조건을 통한 구조적 제어가 동시에 가능한 ControlNet 기반의 잠재 확산 모델(Latent Diffusion Model, LDM)을 활용하여, 건축 실무에 적용 가능한 '제어 가능한(Controllable)' 2D 평면도 자동생성 방법론을 제안한다. 연구의 주요 내용은 다음과 같다. 첫째, 연구 대상을 표준화된 데이터 확보가 용이하 고 건축적 규칙이 명확한 '아파트 단위세대 2D 평면도'로 한정하여 데이터셋 구축 및 전처리 전략을 수립하였다. 둘째, 사전 학습된 LDM의 고해상도 생성 능력을 유지하 면서도, Canny Edge Map을 통해 외곽선, 내력벽과 같은 구조적 불변 요소를 제어하 고, Semantic Segmentation Map을 통해 실(Room)의 기능적 조닝을 제어하는 이중 제어 아키텍처(Dual-Control Architecture)를 설계하였다. 셋째, 구조(Structure), 기능 (Function), 스타일(Style)을 설계자 의도대로 조작할 수 있는 구체적인 제어 시나리 오를 제시하였다. 본 연구가 제안하는 방법론은 기존 생성 모델의 문제였던 벽체 불연속성이나 기하학 적 왜곡을 개선하고, 설계자가 스케치나 텍스트만으로도 완성도 높은 평면 대안을 도 출할 수 있게 한다. 이는 건축 설계 프로세스를 기존의 '그리기(Drawing)' 에서 '생성 및 선택(Generating & Selecting)' 방식으로 전환하여 설계 생산성을 높이고, AI를 단 순한 자동화 도구가 아닌 창의적 협업 파트너로 격상시키는 데 기여할 것이다. 본 연 구는 실제 구현을 배제한 이론적 제안이라는 한계가 있다. 그러나, 생성형 AI의 건축 적 적용 가능성을 '제어(Control)'의 관점에서 구체화하고 향후 기술 개발의 방향성을 제시했다는 점에서 학술적 의의를 갖는다.

목차 (Table of Contents)

• I. 서 론 1
• 1. 연구 배경 및 필요성 1
• 2. 연구 목적3
• 3. 연구 내용 및 범위 4
• 4. 논문의 구성 7
• II. 이론적 배경 및 관련 연구8
• 1. 건축설계와 인공지능의 결합 8
• 가. 건축설계 자동화의 발전 과정8
• 나. 생성형 디자인의 개념과 건축적 적용 10
• 2. 건축 평면도 자동생성 선행 연구 심층 분석 11
• 3. 제안 모델의 이론적 배경: 확산 모델과 ControlNet 15
• 가. 잠재 확산 모델(LDM)의 고해상도 생성 원리 15
• 나. ControlNet의 조건부 제어 메커니즘 17
• 다. 본 연구의 차별점 및 방법론적 당위성18
• III. ControlNet 기반 건축 평면도 생성 모델 제안20
• 1. 제안 모델의 전체 프레임워크 22
• 2. 데이터셋 구축 및 전처리 전략 23
• 가. 아파트 단위세대 평면도 데이터셋 수집 기준23
• 나. 학습 효율화를 위한 전처리 23
• 다. ControlNet 입력 조건 생성 24
• 라. 조건 정보 라벨링 25
• 3. 건축적 요구사항을 반영한 제어 시나리오 설계 26
• 가. 구조적(Structural) 제어: Edge Map 활용26
• 나. 기능적(Functional) 제어: Semantic Segmentation Map 활용 ·· 26
• 다. 텍스트 프롬프트 제어: 세부 요소의 다양성 확보 27
• 4. 제안 모델의 기대 성능 및 효용성 논증 29
• 가. 기존 GAN/GNN 모델 대비 구조적 정합성 향상 예측 29
• 나. 설계 초기 단계에서의 워크플로우 개선 효과30
• 다. 창의적 설계 탐색의 확장과 디자인 고착화 탈피31
• 라. 다양한 설계 조건에 대한 유연한 대응력 31
• IV. 결론 및 향후 연구 32
• 1. 연구 요약 및 학술적 의의 32
• 2. 연구의 한계 및 제언 34
• 참고문헌 36