设计的边界不断被尖端技术的融合所拓展。随着计算方法的进步,设计师们拥有了新的工具来提升他们的创造潜力,从而可以对复杂的设计空间进行前所未有的探索。
一种这样的创新方法是特征空间探索,它利用深度学习的力量超越了传统参数设计的限制。
在我过去在卡内基梅隆大学的研究中,我专注于开发一种新颖的设计探索框架,该框架利用深度学习来创建特征空间。这些空间提供了一种更直观、更全面的方式来探索设计解决方案,超越了参数化设计的限制性。这里介绍的项目标志着设计师在如何与复杂数据集交互以及在工作中发现新可能性方面迈出了重要一步。
参数化设计长期以来一直是计算设计的基石,它使设计师能够通过调整一组预定义参数来生成概念的多种变体。然而,虽然这种方法提供了灵活性,但也带来了局限性。参数空间通常会将设计师限制在一组狭窄的可能性中,这些可能性由参数本身定义。
这可能会阻碍探索不同设计元素之间更复杂的关系。
为了解决这一限制,我开发了一种以我所谓的“特征空间”为中心的替代方法。特征空间不再局限于参数变量,而是通过使用深度学习模型提取和分析设计特征来创建。这种转变使创意从业者能够探索更丰富、更互联的设计空间,其中特征之间的关系可以自然地表达出来。
这项研究涉及创建一个由 15,000 个 3D 模型组成的合成数据集,每个模型都是通过具有五个关键参数的参数算法生成的。这些参数包括容器的高度、底部的宽度、顶部开口的宽度以及定义容器形状的控制点的坐标。每个设计变体都表示为一个矢量,对应于一个特定的 3D 模型。
生成数据集后,我使用变分自动编码器 (VAE) 来构建特征空间。VAE 是一种生成式深度神经网络,可将输入数据抽象为更小、更易于管理的维度,即潜在空间。此潜在空间是特征空间的基础,可捕捉不同设计特征之间的复杂关系。
探索参数空间和特征空间的关键挑战之一是可视化。高维数据可能难以理解和导航。五维设计空间使设计师难以比较模型并可视化和比较特征,我采用了降维过程将空间缩小到二维,并使对象能够绘制并相互比较。
下图展示了使用 t 分布随机邻域嵌入 (t-SNE) 算法对空间进行可视化的总体过程,t-SNE 算法是一种流行的用于可视化高维数据的降维算法。
生成数据集后,我使用变分自动编码器 (VAE) 来构建特征空间。VAE 是一种生成式深度神经网络,可将输入数据抽象为更小、更易于管理的维度,即潜在空间。此潜在空间是特征空间的基础,可捕捉不同设计特征之间的复杂关系。
一旦 VAE 训练完成,编码器就会从 32,768 维(每个体素化血管的大小)中提取测试数据集中每条血管的特征,将其转换为 128 维向量(潜在向量)。因此,整个血管测试数据集被表示为总形状为 [3,000, 128] 的向量。
这种可视化不仅仅是一项技术成就,它也是设计师的重要工具。通过将数据的复杂性简化为视觉格式,设计师可以更轻松地识别设计空间内的模式、集群和关系。这可以做出更明智的决策,并为创意探索开辟新途径。
设计空间的分析凸显了参数空间和特征空间在表示和组织设计解决方案方面存在显著差异。图 6 展示了变分自动编码器 (VAE) 模型为血管数据集生成的特征设计空间的 2D 可视化。在该图中,我们观察到具有相似形态特征的血管自然地聚集在一起。
例如,较细的血管主要位于图像的右上角,而较大、较笨重的血管则位于左下角。这种聚类模式说明了 VAE 模型能够理解和映射设计参数之间的复杂关系及其对血管形状的影响。
相反,当检查图 7 中的参数空间时,我们注意到了不同的组织结构。虽然凹形容器被分组在图像的底部,但聚类并没有充分考虑其他关键参数,例如容器的高度。这种限制是参数化设计方法所固有的,它倾向于独立处理每个参数,而不是探索它们之间的复杂关系。
因此,参数化设计空间通常无法捕捉容器形状的全部复杂性,导致无法完整地呈现可能的设计结果。相比之下,特征空间(如上图所示)允许形状、凹度、高度和宽度呈现更细微、更渐进的过渡,从而更全面地了解这些特征如何相互作用和演变。
为了深化这种比较,将一种聚类算法——基于密度的带噪声应用空间聚类 (DBSCAN)——应用于参数空间和特征空间。图 8 说明了此聚类过程的结果。在参数设计空间中,我总共确定了七个聚类:三个大聚类和四个小聚类。
然而,这种聚类揭示了参数空间的一个重大缺陷——它没有提供足够的信息来直观地比较局部范围内的设计变体。即使在同一个集群中,参数空间也显示出容器形状的极端变化,这表明设计分组方式缺乏凝聚力和连续性。
另一方面,特征设计空间呈现出更精细的聚类结构,包含九个不同的聚类:六个主要聚类和三个较小的聚类。在特征空间中,不同聚类之间的过渡更平滑,反映了我们在空间中移动(局部变化)和整个可视化(全局变化)时形态的逐渐变化。例如,较短的血管始终位于顶部,而较高的血管则占据底部。
此外,在空间中水平移动时,我们观察到形状从凹形变为凸形,清晰直观地展现了容器形状相对于其特征的变化。特征空间中的这种内聚聚类使设计师能够对类似的设计方案进行更明智和局部的比较,从而大大增强了设计探索过程。
这项研究表明,深度学习可以显著增强设计探索过程,提供一种超越参数化建模局限性的新范式。通过将重点从单个参数转移到复杂的特征关系,我开发了一种可以更全面、更直观地探索设计空间的方法。
特征空间探索代表了计算设计领域的重大进步。通过突破参数化建模的限制,释放出新的创造力和创新水平,为设计师提供工具,让他们的工作更加自由和精确。
这种方法不仅改变了设计师与工具的互动方式,还为实现目标开辟了新的可能性。随着技术的不断发展,深度学习与计算设计的融合无疑将在塑造创造力的未来方面发挥关键作用。
有关更多详细信息或探索生成的特征空间,请参阅项目网站: https://tcabezon.github.io/3Dexploration/或研究文章: “特征空间探索作为参数空间之外的设计空间探索的替代方案”,其中包括该项目背后的整个研究过程。