ДИЗАЙН ИНТЕРЬЕРА С ПОМОЩЬЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМОВ ГЛУБОКОГО ОБУЧЕНИЯ

INTERIOR DESIGN USING ARTIFICIAL INTELLIGENCE AND DEEP LEARNING ALGORITHMS

Zavgorodniy Damir Vitalievich

student Department of Computer and Technical Graphics Design Kuban State University,

Russia, Krasnodar

 Marchenko Marina Nikolaevna

Doctor of Pedagogical Sciences, Professor, Professor Department of Computer and Technical Graphics Design Kuban State University,

Russia, Krasnodar

АННОТАЦИЯ

В статье проанализировано влияние нейросетей на креативные процессы в интерьерном дизайне, а также их основные преимущества как инструмент для дизайнера.

ABSTRACT

The article analyzes the impact of neural networks on creative processes in interior design, as well as their main advantages as a tool for designers.

Ключевые слова: нейросети; интерьерный дизайн; графическое искусство; инструмент; преимущества и качества; контент и поиск; искусственные нейронные сети (ИНС).

Keywords: neural networks; interior design; graphic art; tool; advantages and qualities; content and search; artificial neural networks (ANNs).

Интеграция искусственного интеллекта (ИИ) в дизайн интерьера произвела революцию в концептуализации, визуализации и классификации пространств. По мере того, как цифровые инструменты и модели генеративного дизайна становятся все более сложными, различие между изображениями дизайна интерьера, созданными искусственным интеллектом, и реальными изображениями стало критической проблемой.

Эта классификация необходима для обеспечения аутентичности визуализации дизайна, улучшения рекомендательных систем и улучшения приложений виртуальной и дополненной реальности в архитектурном планировании. Сверточные нейронные сети (CNN) доказали свою высокую эффективность в задачах классификации изображений благодаря своей способности изучать сложные пространственные иерархии, что делает их особенно хорошо подходящими для дифференциации между визуализированными искусственным интеллектом и реальными внутренними пространствами.

Появление искусственного интеллекта (ИИ) произвело революцию во многих отраслях, и область дизайна интерьера не стала исключением. Технологии на основе (CNN), сейчас находятся в авангарде классификации и анализа изображений дизайна интерьера. Этот процесс включает в себя определение того, визуализируются ли изображения внутренних пространств в цифровом виде или фотографируются из реальных сценариев. Такая классификация помогает во многих аспектах, включая проверку подлинности дизайна, совершенствование систем рекомендаций по дизайну и улучшение опыта виртуальной реальности (VR) при планировании дизайна интерьера.

Многогранность — это значение лжи при классификации изображений дизайна интерьера с использованием искусственного интеллекта. В такой индустрии с интенсивным использованием изображений возможность различать реальное изображение и изображение, созданное искусственным интеллектом, имеет решающее значение для предотвращения принятия решений на основе неточной визуальной информации дизайнерами, заинтересованными сторонами и клиентами.

Кроме того, эта классификация помогает в создании более совершенных инструментов искусственного интеллекта для создания эффективных визуализаций дизайна интерьера, которые не очень отличаются от оригинальных фотографий. Эту возможность профессионалам, полагающимся на визуализацию и пересмотр проектов перед фактической реализацией, необходимо будет использовать, чтобы сократить время, ресурсы и получить одобрение клиентов.

CNN используются для визуального анализа информации и обучения уникальным функциям на основе больших наборов данных внутренних изображений, которые они могут использовать для идентификации точных интерьеров как реальных, так и нет. Это не только повышает надежность цифровых активов, обнаруженных в портфелях дизайна, но также повышает аналитические навыки дизайнеров в отношении понимания и применения тенденций дизайна.

Достижения в области 3D-моделирования и виртуальной реальности позволяют дизайнерам в настоящее время создавать и показывать более сложные и индивидуальные дизайны, соответствующие моде и требованиям недавних клиентов. Такой прогресс может изменить то, как дизайнеры и клиенты создают пространство, и он будет более захватывающим и интерактивным. Чтобы классифицировать изображения дизайна интерьера как реальные, так и созданные ИИ, необходимо применять надежный и систематический подход к необходимому глубокому обучению и обработке данных. Затем для повышения точности классификации этого исследования используются предварительно обученные сверточные нейронные сети (CNN) и гибридная архитектура искусственного интеллекта. Способ представляет собой процесс, имеющий три основных этапа: подготовка набора данных, предварительная обработка данных и проведение обучения модели с оптимизацией.

Был создан собственный набор данных, который включал смешанную картину изображений дизайна интерьера, созданных искусственным интеллектом. Как видите, стиль, состояние освещения, текстура и разрешение изображения варьируются от изображения к изображению, чтобы проверить обобщение модели. Было применено несколько типов предварительной обработки для повышения надежности классификации и предотвращения переобучения, как показано на образцах изображений (рисунок 1).

Рисунок 1. Образцы изображений

Затем все изображения были изменены, чтобы иметь такое же разрешение, как 224 пикселя на 224 пикселя. Наконец, случайное горизонтальное и вертикальное переворачивание использовалось в качестве метода увеличения изображения, чтобы добавить изменчивости пространственной ориентации. Моделированные переменные условия освещения применялись по мере регулировки яркости и добавлялся гауссовский шум, чтобы сделать модель более устойчивой к искажениям. Вдобавок ко всему, изображения случайным образом вращались в пределах некоторого диапазона углов [−15,15] чтобы иметь дело с различными точками зрения в реальном мире.

Оценка производительности предлагаемой модели CNN демонстрирует высокую прогностическую силу и сильную обобщаемость при классификации изображений дизайна интерьера как созданных искусственным интеллектом или реальных. Отчет о классификации, матрица путаницы, точность по эпохам, тенденции потерь и вычислительная эффективность дают комплексную оценку эффективности модели.

Результаты показывают, что модель имеет точность 97% и соответствующие значения точности, запоминания и оценки F1, а также 97 всякий раз, когда искусственный интеллект генерирует или создает реальные изображения. Анализ показывает, что модели удается достичь чрезвычайно низкого уровня неправильной классификации, включая существенные аспекты пространственной и текстурной информации в дизайне, который отличает проекты, созданные искусственным интеллектом, от проектов реального мира.

Это дополнительно подтверждается матрицей путаницы, поскольку она показывает только два неправильно классифицированных экземпляра из 60. Сбалансированный характер матрицы путаницы подтверждает, что модель не смещена в сторону какого-либо класса, а функции, извлеченные моделью, также очень надежны для прогнозирования. Точность обучения и достоверности в разные эпохи имеют плавную сходимость. После 50 эпох точность обучения всегда достигает 100%, но точность проверки стабилизируется примерно на 97%, что означает, что модель эффективно изучает обобщающие шаблоны без переоснащения.

В этом исследовании была рассмотрена модель на основе CNN для классификации изображений дизайна интерьера, созданных искусственным интеллектом, и реальных изображений, достигнув беспрецедентной точности - 97%. Предлагаемая модель значительно превосходит различные модели обучения с передачей, включая DenseNet (90%), RegNet (83%) и SqueezeNet (95%), а также другие существующие исследования с использованием преобразователей зрения, гибридных нейронных сетей и архитектур ResNet.

Это существенное улучшение демонстрирует, что CNN, оптимизированные с использованием правильных методов извлечения признаков и предварительной обработки, могут достичь превосходной точности обобщения и классификации при различении реальных и созданных искусственным интеллектом конструкций. Его можно расширить, чтобы интегрировать гибридные архитектуры на основе трансформаторов с CNN, чтобы добиться лучшего контекстуального понимания сложных планировок интерьера. Более того, дальнейшее повышение надежности классификационных моделей может быть достигнуто за счет увеличения размера набора данных с более общими и высокими показателями разрешения изображений, созданных AI.

Список литературы:

1. Бретт Ланц Машинное обучение на R. Экспертные техники для прогностического анализа: Учеб. Пособие. – СПб.: Питер, 2020. – 438с.
2. Джейд Картер Нейросети. Генерация изображений: Учеб. Пособие. – АСТ, 2023. – 227 с.
3. Луптон Э. Графический дизайн. От идеи до воплощения. СПб: «Питер», 2013. – 184 с.
4. Филина Е.М., Марченко М.Н. Социальное значение дизайна / В сборнике: Дизайн и архитектура: синтез теории и практики. Сборник научных трудов. 2017. С. 485-491.