探究AIGC在室内设计中的应用和意义

陈贺林 朱小军

摘  要：近年来，生成式人工智能技术迅速发展，设计工具、设计方法及设计流程均受到影响，与技术联系紧密的室内设计及相关从业者已经受到人工智能生成内容（AIGC）的猛烈冲击。文章旨在探索AIGC技术在室内设计中的应用和意义。通过文献分析与案例研究，结合AIGC文本、图像、模型生成能力，总结出AIGC在室内设计中有设计决策支持、2D图像辅助生成、3D模型辅助生成三条应用路径。新技术的出现可增强设计创意水平和优化设计工作流程，对设计从业者提出了新要求。

关键词：室内设计；人工智能生成内容；技术应用

一、AIGC背景下设计研究现状

从手绘到计算机辅助再到人工智能辅助设计，设计工具的更迭影响了设计师的工作流程及创意输出方式。当下AIGC可以根据用户输入的关键词或需求直接生成内容，这种便捷的生成技术激发了设计师的创作欲望。尽管计算机辅助设计和人工智能有着几十年的传统，但近几年，生成式人工智能技术迎来了爆发式发展，AIGC是其能力的展现。从内容生产者视角来看，AIGC是“继专业生成内容（PGC）和用户生成内容（UGC）之后，利用人工智能技术自动生成内容的新型生产方式”[1]。从技术角度来看，AIGC是基于生成对抗网络（GAN）、大型预训练模型的人工智能技术，通过已有数据寻找规律，并通过适当的泛化能力生成相关内容的技术[2]。从生成能力角度来看，AIGC具有文本、图片、音频、视频、代码、3D模型等生成能力[3]。AIGC放大了内容自动生成和AI自主学习的优势[4]，当前国内设计领域对AIGC的研究主要有以下视角：AI增强设计[5]、AI辅助设计[6]、应用流程与方法[7][8][9]、设计发展趋势[10]。AIGC技术正处于快速发展和前期探索阶段，具有广阔的应用前景。因AIGC技术喷涌式爆发，诸多新技术新工具集中涌现，文章综合AIGC文本、2D图像、3D模型生成能力，来探讨其在室内设计中的应用思路。接下来的内容归纳如下：从通用和行业垂直大语言模型的角度讨论文本生成为室内设计提供决策支持；将从Stable Diffusion等2D图像生成技术的角度出发，探讨其与室内设计的结合点、应用上的优势以及存在的局限性；从3D模型生成技术角度讨论对室内设计的辅助生成趋势；最后简要总结AIGC生成能力对于室内设计的意义。

二、AI文本生成为室内设计提供决策支持

（一）常见的设计决策支持方法

设计师在进行设计的过程中会遇到诸多决策场景，比如需求界定、方案选择与评估、详细设计内容、技术和实施、生产与成本等等。设计师的决策能力受到知识水平、经验积累、方法运用以及心理素质等多种因素的影响。因此，在进行设计决策时，往往不可避免地会带有个人主观色彩，有经验的设计师往往拥有独特的设计思维方法和设计策略资料库[11]。但是面对技术的快速迭代，设计师的知识固化与思维滞后性，导致在设计决策过程中无法做出最优选择。AIGC技术尚未普及之前，对于设计决策问题，常用的方法是建立决策模型：任娟（2012）等利用BIM的信息共享性，提出设计信息初步模型和优化模型提供设计决策观念支持；王亚辉（2019）等将一般设计决策问题转化为设计方案图像的语义识别问题，最大限度地消除了决策者决策偏好的影响；孙利（2022）等基于决策模型和评价目标进行产品设计的决策优化，以确定产品最佳方案。以上设计决策模型的确减少了决策主观性带来的设计不确定性，但是不具有普遍性，几乎无法迁移到其他场景中去。

（二）大语言模型的设计应用潜力

以ChatGPT为代表的大语言模型（Large Language Model，LLM）具备强大的通用处理能力、准确的意图理解能力和“随机应变”交互能力，尽管在某些特定场景下，通用模型的表现可能不及专用模型，并且有时可能会产生不准确的结论和事实性错误，但是在知识广泛性、信息处理能力和流畅度等方面的表现已经超越了普通人[12]。因此，它们能够为设计师提供有效的通用设计决策支持。与通用语言模型相比，垂直领域大模型更专注于某个特定领域的知识和技能，具备更高的领域专业性和实用性，如金融、医疗、法律、教育、汽车等垂直领域大模型因。垂直领域语言模型经过专门的训练，能够更好地理解和处理特定领域的知识、术语和上下文，因此在特定领域的输出质量高于通用语言模型。室内设计作为专业程度较高的应用领域，垂直语言模型可广泛整合设计规范、设计方法、设计软件、设计创意、项目最佳实践、设计工作流等知识，使模型能够深度理解和应用领域内的专业知识，提供准确和专业的设计决策信息，可为复杂问题提供专业回答和解决方案。

（三）大语言模型提供室内设计决策支持

设计决策虽然是一个模糊、不确定、主观的多任务复杂选择过程[13]，但是设计流程相对固定，按照室内设计常规流程：设计准备－方案设计－施工图设计－设计实施，分析通用大语言模型和垂直大语言模型潜在的设计决策支持过程，可形成“大语言模型分析生成+设计师分析决策”的人机协作设计思路（如图1）。

设计准备阶段：包含多轮客户沟通、需求理解、资料搜集、关键信息梳理等工作，可将业主需求与前期资料等信息通过通用大语言模型辅助分析，主题趋势分析、生成设计建议通过垂直大语言模型分析，理清设计可行方向，快速进行设计决策。

方案设计阶段：在预算的基础上，可借助垂直大语言模型进行概念、功能布局、风格等分析，形成多套针对业主需求的概念设计方案，设计师进行评估与优化后，业主从多方案中进行选择。

施工图设计阶段：通过对设计图纸规范性、电气与照明、材料与细节、尺寸标准等内容进行分析，降低施工图失误率。

设计实施阶段：可对施工团队构成进行分析形成预先判断，在此基础上，施工材料管理、进度分析、现场布置、施工问题和装饰与细节都可以借助垂直大语言模型进行分析后决策。

大语言模型的通识性优势和垂直大语言模型专业深度优势，共同为设计师提供设计决策支持。不过专业的设计类数据构成具有很强的专业性，需要专业人士进行数据处理，以实现垂直模型的专业信息检索、设计方案分析、设计规范评估、专业知识问答、设计方案概算等能力。此外，相比于通用大语言模型，垂直大语言模型的数据获取难度较高，优质数据分散在高校、公司、机构中，呈现分散化特征。对于公司而言依托常年积累的优质数据构建专业模型，可提高公司市场竞争力；对于行业而言，构建垂直大语言模型对于设计行业发展具有积极影响。

三、AI-2D图像生成辅助室内设计

（一）2D图像生成与室内设计的结合点

人工智能图像生成是计算机视觉领域的重要概念，包括图像合成、图像编辑、图像风格转换、图像超分辨率等多种应用场景。早期随着生成对抗网络（GAN）和变分自编码器（VAE）的提出，AI模型主要被用于学习一些相对简单的图像分布或图像编辑。经过十多年的发展，随着扩散生成技术突破，大规模多模态数据集（如LAION数据集）和多模态表征模型（如OpenAI发布的CLIP模型）的出现与发展，2021年前后2D图像生成领域取得重要进展，实现了图像的高质量、多样性、稳定性和可控性生成[14]。在艺术创作领域，与艺术生成、字体生成、图像修复、漫画创作等紧密结合[15]。室内设计领域出现了室内户型图布局自动生成[16]、家居场景生成[17]、设计方案生成应用[18][19]等研究。

技术的快速迭代使得扩散模型生成的图像在质量、速度、应用范围上已超越了生成对抗网络技术[20]，以扩散模型技术为基础的Midjourney（MJ）、Stable Diffusion（SD）为大众带来技术普惠应用，图像生成技术实现了从技术到大众应用的跨越。2022年8月，SD完全开源其算法和预训练模型，并大幅降低显存占用，使每个人都可以使用这种图像生成技术，开源工具SD-WebUI则将多种图像生成工具集于一体，可微调模型训练个人专属模型。好用且强大的开源工具激发了用户的创作热情，设计师开始利用AI绘画工具辅助设计，专业的室内设计师利用其生成的设计意向图、毛坯转效果图、线稿转效果图、局部重绘修改方案、色彩控制生成内容、效果图分辨率提升等操作。图像生成能力的成熟，催生了面向C端用户的产品，普通大众通过拍摄自家室内照片，就能一键生成精美的室内效果图，并可快速切换风格。

（二）2D图像生成在室内中的应用优势

图像生成技术突破性的进展，使生成的图像具有真实性、多样性、可控性、便捷性、自动化特征，诸多特征集合起来可快速进行前期草图效果可视化探索（如图2）。

图像生成具有真实性。AIGC图像生成可以生成高质量、逼真的图像，已经达到以假乱真地步。室内效果图是设计师和客户之间的重要桥梁，生动的效果图是获客的重要手段，体现了设计师的设计意图和风格[21]。图像生成的真实性可改变效果图的渲染流程。3ds Max是室内效果图制作的主要绘图软件，制作流程大致是：建立模型、材质设定、调整灯光、渲染出图。AI可从白膜阶段介入，以基础模型作为控制条件快速生成室内效果图，节省了贴材质、调灯光、渲染出图等环节。当前AI生成插件Veras可安装在SketchUP、Revit、Rhino中对模型进行渲染、项目前期通过简单的模型体块可直出概念效果图。

图像生成具有多样性。扩散模型从大量的数据和素材中学习和提取特征与风格，因此生成的内容具有随机性，可以生成意想不到的结果。图像生成的逻辑与人类不同，基本思想是通过学习大量的真实图像的数据分布，然后从随机噪声或者潜在空间中采样出一些向量，再通过一些神经网络的变换，生成出类似于真实图像的数据。因此，图像生成模型不会受想象力的束缚，其生成的图像可以天马行空，极具多样性和创意性，当设计师创作陷入瓶颈时，可以通过图像生成技术获取更多的创作灵感，得到进一步的突破。

图像生成具有可控性。随机让图像充满想象力，而可控性则是设计应用的基础。图像生成模型可分为无条件生成和有条件生成。前者用于探索模型效果上限，生成的图片取决于训练数据，内容较单一；后者可以利用文本描述、图片信息、controlnet控制、LORA微调模型引导图片生成，训练数据也更加丰富。例如，通过controlnet模型来提取室内的线条结构和几何形状，配合提示词和lora微调模型来生成图像；或通过语义分割模型来标注画面中的不同区块颜色和结构，从而控制画面的构图和内容。可控性提高了图像生成在室内设计中的可用性。

图像生成具有便捷性。AI工具便捷性可增加客户参与度，使客户通过输入文字生成想象中的场景，直观表达自己独特的喜好。便捷化AI工具可以将想法可视化，间接地增加了客户对设计的参与度，也可以轻松对设计方案进行局部修改或重新生成，提高了双方的沟通效率。

图像生成具有自动化特征。自动化可形成深度个性化设计，人类精力的有限性和对设计追求的无限性，造成了设计无法面面俱到，必须进行取舍。图像生成自动化可以生成各种设计素材和配色方案，在图像视觉感受上不断贴近客户的个人喜好。自动化提高了设计师的效率，个人设计师可以并行自动生成设计任务，实现设计活动的交叉进行。

（三）2D图像生成的局限性分析

尽管AIGC在图像生成方面取得不错的进展，但是其图像生成存在以下局限性[22]：一是在准确描绘包含多个对象的图像方面面临挑战，可能导致对象缺失、属性错配或属性混合。室内空间的复杂度使生成的图像经常具有结构错误、字体错误、细节错误等，且无法生成精度要求较高的平面图和施工图。二是生成罕见或新概念的图像困难。设计风格具有多样性，因此无法成功生成尚未学习过的设计风格，只能通过对模型微调训练特定风格。三是图像生成技术只擅长2D图像生成，而真正的设计场景，对空间的尺度、精准度，以及细节的要求非常高，当前无法切实参与到平面图生成、平面图生产效果图等要求较高的设计工作中。

四、AI-3D模型生成辅助室内设计

（一）3D模型生成与室内设计的结合点

一般来说，完整的3D模型创建涵盖概念设计、3D建模、纹理/材质、动画和渲染等多个环节。传统流程中模型的创建均由积累长时间学习和工作经验的设计师进行创作，对于专业创作者来说也是一项非常复杂且耗时的工作。此外受到数据稀缺、计算复杂、模型表示复杂等客观因素影响，模型生成发展落后于文本和图像生成[23]，已取得阶段性突破的研究大多遵循2D优化路线：NeRF（Neural Radiance Fields，神经辐射场渲染）利用已有的2D生成能力，通过多视角优化将生成维度提升到三维。这项基础理论的突破开启了新的一波3D x AI热潮，2022年Google发布DreamFusion，英伟达发布Magic3D、OpenAI发布Point-E，2023年Shap-E、wonder3d、one2345++、stable zero 123等3D生成技术相继发布，生成质量与速度持续提升，在应用层面开始崭露头角。

3D模型在游戏开发、影视制作、工业设计、虚拟现实等领域都有非常重要的作用，快速且高质量的3D生成工具已经被广泛应用。如Spline可在浏览器中建立交互式3D体验；3DFY、Tripo、Wonder3D等可通过文字或图片生成3D模型、Luma可通过视频生成3D模型等等。在室内设计领域，3D模型生成可在室内家具和室内空间场景设计中发挥作用。

（二）3D模型生成在室内设计中的应用分析

1.AI辅助室内家具建模

传统的室内家具建模所需要经历的工作流程为：第一，概念草图，根据客户输入和视觉参考进行头脑风暴和构思所需的模型。第二，3D原型制作。室内建模师使用专业软件创建模型的基本形状。第三，模型细化。将细节、颜色和纹理添加到粗糙的模型中。第四，模型最终定型。对模型进行渲染得到效果图，使用编辑软件增强最终渲染效果，调整颜色、添加效果或进行元素的合成。以上过程通常需要几周的时间，如果涉及到动画渲染时间会更长。然而如果有AI的帮助，将会加快这个过程：第一，多视图图像生成。Zero-1-to-3采样大规模扩散模型，该模型理解和识别自然图像中的几何结构和规律，根据指定的相机变换，生成新视角的图像[24]。有助于进行创意头脑风暴，并生成多视图图像草图。第二，文本或图像生成3D。使用Stable zero 123或wonder3D技术，可以在几分钟内生成多个3D原型，为设计师提供选择空间。

2.AI辅助室内空间建模

Text2Room可实现从文本描述生成带有纹理的空间场景[25]。该方法通过预先训练2D文本到图像模型来合成室内场景。在生成的过程中，共经历四个阶段：第一，迭代式场景生成。根据相机的不同位置和朝向，不断迭代地创建带有纹理的三维网络。第二，两阶段视点选择。选择文本提示和相机位置和朝向合成场景。第三，生成阶段。创建场景的布局和家具等主要部分，依次渲染多个预定义的轨迹，这些轨迹朝不同方向延伸，最终覆盖整个房间。第四，完善阶段。场景布局和家具被定义后，由于场景是即时生成的，三维网格中存在没有被任何相机观察到的位置，通过额外的姿势采样来完善场景。

尽管Text2Room可以通过不断迭代生成完整的3D室内场景，但是这些自动生成的3D网格中的许多内容，并不遵守房间的基本布局逻辑，进而影响空间的合理性，如将多张床放到一间卧室中。

ControlRoom3D可实现从粗糙建模到空间的生成[26]。为了避免Text2Room空间布置不合理问题，它通过让用户提供粗糙的3D语义边界框以及整个房间风格的文本描述，从而生成与空间布局一致的纹理和几何图形。整个生成过程共分为四个阶段：第一，引导全景生成：通过使用3D语义边界框的引导，联合创建一个完整的360°全景视图，以确保场景风格的一致性；第二，几何对齐：优化预测的深度以适应代理室的几何先验，同时保留物体的原始形状；第三，网格清洗：识别并过滤掉网格中质量低下的区域，然后从更有利的视角合成新内容；第四，网格补全：通过迭代地从不同的视角填充场景来完成网格，从而填补任何缺失区域并无缝地整合新内容。

（三）3D模型生成的局限性分析

3D生成能力正处于快速发展阶段，上述的单体模型生成已经从技术走向市场，出现了一大批商业应用，而3D场景生成还处于技术阶段，并不具备大规模应用水平。3D模型生成水平主要受限于数据、算力和表现方法，当前在生产质量、生成效率和可控性上均亟待提升。

1.生成质量

3D生成的内容质量包括3D模型的精细度、模型的准确性、3D渲染的分辨率、渲染的色彩与光影的准确性、渲染对材质的表达等多个方面，在应用中对3D内容的质量有较高的要求。相比于传统3D建模，目前人工智能3D生成的模型质量仍然存在一定差距。

2.生成效率

与生成2D图像不同，3D生成由于维度的增加，生成过程中所需计算量呈指数级上升。由于庞大的计算量，目前人工智能3D生成的效率较低，多数模型的生成效率难以满足实际应用中的要求，且模型在训练与推理过程中需要占用大量存储空间，因此目前多数人工智能3D生成成本较高。

3.模型可控性

对3D模型的可控性主要包括是否可以生成符合要求的3D模型、是否可以根据要求对生成的3D模型与3D渲染效果进行修改。目前人工智能3D生成模型可以满足应用的基本要求，但是在修改方面的表现仍然差强人意。满足应用中修改功能要求的方法有两种，一种是继续加强模型对自然语言指令与图像指令的理解能力，这种方法主要需要技术上的持续突破。但由于技术突破的不确定性，使模型可以与传统3D生成工作进行衔接的方法则更有可行性，这要求模型可以3D建模工作与3D渲染工作分离，且生成的3D模型必须为网格数据。

五、结语

技术的进步不断为室内设计带来新工具、新方法和新流程，技术越完善对室内设计的渗透就越深。AIGC技术可从文、图、模多方面提升创意水平，为设计带来实效的应用收益。AIGC技术也正在渗透室内设计工作流程：“ChatGPT+设计垂类语言模型”进行设计分析，“Stable Diffusion+3D生成”介入设计咨询、概念设计、概念建模，BIM/CAD完成设计深化。新技术正在赋能设计行业，同时也对设计从业者提出新要求和新挑战，需要紧跟时代步伐与AI合作共赢，共同推动行业朝着更加创新和智能化的方向发展。

参考文献

[1]许雪晨，田侃，李文军.新一代人工智能技术（AIGC）：发展演进、产业机遇及前景展望[J].产业经济评论，2023（4）：5-22.

[2]量子位.AIGC/AI生成内容产业展望报告[R].北京：量子位智库，2022：1-3.

[3]中国政府网.生成式人工智能服务管理暂行办法[EB/OL].[2023-12-01].https：//www.gov.cn/zhengce/zhengceku/202307/content_6891752.htm.

[4]詹希旎，李白杨，孙建军.数智融合环境下AIGC的场景化应用与发展机遇[J].图书情报知识，2023（1）：75-85+55.

[5]袁烽，许心慧，王月阳.走向生成式人工智能增强设计时代[J].建筑学报，2023（10）：14-20.

[6]甘惟，吴志强，王元楷等.AIGC辅助城市设计的理论模型建构[J].城市规划学刊，2023（2）：12-18.

[7]袁潮，郑豪.生成式人工智能影响下的建筑设计新模式[J].建筑学报，2023（10）：29-35.

[8]黄龑枫，周毅荣.AIGC技术下的建筑生成设计方法初探——以Prompt关键词生成建筑意象的整体设计过程为例[J].城市建筑，2023（15）：202-206+213.

[9]田润，郭凯，张洋.人工智能生成内容（AIGC）在施工单位精装修深化设计中的应用[J].建筑施工，2023（11）：2330-2333.

[10]何宛余，杨良崧.生成式人工智能在建筑设计领域的探索——以小库AI云为例[J].建筑学报，2023（10）：36-41.

[11]任娟，刘煜，郑罡.基于BIM平台的绿色办公建筑早期设计决策观念模型[J].华中建筑，2012（12）：45-48.

[12]武俊宏，赵阳，宗成庆.ChatGPT能力分析与未来展望[J].中国科学基金，2023（5）：735-742.

[13]王亚辉，余隋怀，陈登凯等.基于深度学习的人工智能设计决策模型[J].计算机集成制造系统，2019（10）：2467-2475.

[14]王祺，李冬露，张云等.2023年中国AIGC产业全景报告日就月将，学有缉熙于光明[C]//2023艾瑞咨询8月研究报告会论文集，2023：69.

[15]孙文倩.人工智能技术辅助下的图像生成艺术创作研究[D].上海：华东师范大学，2023（4）：150-167.

[16]肖焱鑫.基于生成对抗网络的自动智能户型布局设计[D].武汉：华中科技大学，2020（5）：38-50.

[17]李刘刘.基于生成式对抗网络的室内家居场景生成算法[D].杭州：浙江工商大学，2019（5）：19-32.

[18]张健，王雨心，袁哲.AIGC赋能传统文化传承设计方法与实践——以山西省永乐宫数字化展示中心方案设计为例[J].设计，2023（17）：30-33.

[19]娄天，张博涵.基于AI+BIM技术的住宅户型方案设计探索与研究[J].土木建筑工程信息技术，2024（1）：61-66.

[20]Dhariwal P，Nichol A. Diffusion models beat gans on image synthesis[J]. Advances in neural information processing systems，2021（34）：8780-8794.

[21]贾琳.浅谈室内设计效果图的电脑表现[J].艺术与设计（理论），2008（8）：62-64.

[22]Zhang T，Wang Z，Huang J，et al. A Survey of Diffusion Based Image Generation Models：Issues and Their Solutions[J]. arXiv preprint arXiv：2023（2308.13142）：2-4.

[23]Li C，Zhang C. When ChatGPT for Computer Vision Will Come？ From 2D to 3D[J]. arXiv preprint arXiv：2023（2305.06133）：1-5.

[24]Liu R，Wu R，Van Hoorick B，et al. Zero-1-to-3：Zero-shot one image to 3d object[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision，2023：9298-9309.

[25]H?llein L，Cao A，Owens A，et al. Text2room：Extracting textured 3d meshes from 2d text-to-image models[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision，2023：7909-7920.

[26]Schult J，Tsai S，H?llein L，et al. Controlroom3d：Room generation using semantic proxy rooms[J]. arXiv preprint arXiv：2023（2312.05208）：1-7.

作者简介：

陈贺林，中国矿业大学建筑与设计学院硕士研究生。研究方向：设计与AI应用。

通讯作者：朱小军，博士，中国矿业大学建筑与设计学院副教授。研究方向：环境设计理论与实践、智能空间设计。

参考文献

[1]许雪晨，田侃，李文军.新一代人工智能技术（AIGC）：发展演进、产业机遇及前景展望[J].产业经济评论，2023（4）：5-22.

[2]量子位.AIGC/AI生成内容产业展望报告[R].北京：量子位智库，2022：1-3.

[3]中国政府网.生成式人工智能服务管理暂行办法[EB/OL].[2023-12-01].https：//www.gov.cn/zhengce/zhengceku/202307/content_6891752.htm.

[4]詹希旎，李白杨，孙建军.数智融合环境下AIGC的场景化应用与发展机遇[J].图书情报知识，2023，40（1）：75-85+55.

[5]袁烽，许心慧，王月阳.走向生成式人工智能增强设计时代[J].建筑学报，2023（10）：14-20.

[6]甘惟，吴志强，王元楷等.AIGC辅助城市设计的理论模型建构[J].城市规划学刊，2023（2）：12-18.

[7]袁潮，郑豪.生成式人工智能影响下的建筑设计新模式[J].建筑学报，2023（10）：29-35.

[8]黄龑枫，周毅荣.AIGC技术下的建筑生成设计方法初探——以Prompt关键词生成建筑意象的整体设计过程为例[J].城市建筑，2023，20（15）：202-206+213.

[9]田润，郭凯，张洋.人工智能生成内容（AIGC）在施工单位精装修深化设计中的应用[J].建筑施工，2023，45（11）：2330-2333.

[10]何宛余，杨良崧.生成式人工智能在建筑设计领域的探索——以小库AI云为例[J].建筑学报，2023（10）：36-41.

[11]任娟，刘煜，郑罡.基于BIM平台的绿色办公建筑早期设计决策观念模型[J].华中建筑，2012，30（12）：45-48.

[12]武俊宏，赵阳，宗成庆.ChatGPT能力分析与未来展望[J].中国科学基金，2023，37（5）：735-742.

[13]王亚辉，余隋怀，陈登凯等.基于深度学习的人工智能设计决策模型[J].计算机集成制造系统，2019，25（10）：2467-2475.

[14]王祺，李冬露，张云等.2023年中国AIGC产业全景报告日就月将，学有缉熙于光明[C]//2023艾瑞咨询8月研究报告会论文集，2023：69.

[15]孙文倩.人工智能技术辅助下的图像生成艺术创作研究[D].上海：华东师范大学，2023（4）：150-167.

[16]肖焱鑫.基于生成对抗网络的自动智能户型布局设计[D].武汉：华中科技大学，2020（5）：38-50.

[17]李刘刘.基于生成式对抗网络的室内家居场景生成算法[D].杭州：浙江工商大学，2019（5）：19-32.

[18]张健，王雨心，袁哲.AIGC赋能传统文化传承设计方法与实践——以山西省永乐宫数字化展示中心方案设计为例[J].设计，2023，36（17）：30-33.

[19]娄天，张博涵.基于AI+BIM技术的住宅户型方案设计探索与研究[J].土木建筑工程信息技术，2024，16（1）：61-66.

[20]Dhariwal P，Nichol A. Diffusion models beat gans on image synthesis[J]. Advances in neural information processing systems，2021（34）：8780-8794.

[21]贾琳.浅谈室内设计效果图的电脑表现[J].艺术与设计（理论），2008（8）：62-64.

[22]Zhang T，Wang Z，Huang J，et al. A Survey of Diffusion Based Image Generation Models：Issues and Their Solutions[J]. arXiv preprint arXiv：2023（2308.13142）：2-4.

[23]Li C，Zhang C. When ChatGPT for Computer Vision Will Come？ From 2D to 3D[J]. arXiv preprint arXiv：2023（2305.06133）：1-5.

[24]Liu R，Wu R，Van Hoorick B，et al. Zero-1-to-3：Zero-shot one image to 3d object[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision，2023：9298-9309.

[25]H?llein L，Cao A，Owens A，et al. Text2room：Extracting textured 3d meshes from 2d text-to-image models[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision，2023：7909-7920.

[26]Schult J，Tsai S，H?llein L，et al. Controlroom3d：Room generation using semantic proxy rooms[J]. arXiv preprint arXiv：2023（2312.05208）：1-7.

作者简介：

陈贺林，中国矿业大学建筑与设计学院硕士研究生。研究方向：设计与AI应用。

通讯作者：朱小军，博士，中国矿业大学建筑与设计学院副教授。研究方向：环境设计理论与实践、智能空间设计。

实习编辑：毛行琪