Neues Post-Training-Verfahren verbessert Wohnungspläne dank Space Syntax

In der Architekturforschung haben generative Modelle für Wohnungspläne lange Zeit große Datensätze optimiert, ohne dabei zentrale architektonische Prinzipien wie die Dominanz öffentlicher Räume und ihre Vernetzung zu berücksichtigen. Mit dem neuen Ansatz Space Syntax-guided Post‑Training (SSPT) wird dieses Problem gezielt angegangen.

SSPT nutzt einen nicht‑differenzierbaren „Oracle“, der RPLAN‑Stil‑Layouts in rechteckige Raumgraphen überführt. Durch eine greedy‑maximale Rechteckzerlegung und die Konstruktion von Tür‑basierten Nachbarschaften werden anschließend Integration‑Messwerte berechnet, die die Dominanz öffentlicher Räume und die funktionale Hierarchie quantifizieren.

Zur Bewertung des Ansatzes wurde das SSPT‑Bench (Eval‑8) entwickelt, ein Benchmark, der Modelle mit bis zu sieben Räumen post‑trainiert, aber auf acht‑Räume‑Programme testet. Dazu gehört ein einheitliches Metrik‑Set für Dominanz, Stabilität und Profil‑Ausrichtung.

SSPT wird in zwei Varianten umgesetzt: Erstens durch iteratives Retraining mit Space‑Syntax‑Filterung und Diffusion‑Fine‑Tuning; zweitens durch Reinforcement‑Learning mit PPO, das Space‑Syntax‑Belohnungen nutzt. Beide Strategien steigern die Dominanz öffentlicher Räume und klären die funktionale Hierarchie im Vergleich zu Basis‑Modellen.

Besonders das PPO‑Verfahren erzielt stärkere Verbesserungen, während es gleichzeitig weniger Rechenleistung benötigt und die Varianz reduziert. SSPT bietet damit einen skalierbaren Weg, architektonisches Wissen in generative Modelle einzubetten und die Qualität von Wohnungsplänen nachhaltig zu erhöhen.