《Architecture》：Automatic Generation of Two-Dimensional Fa?ade Representations of Heritage Buildings Using Image-to-Image Translation Models: A Case Study in Arequipa, Peru
编辑推荐：
阿雷基帕历史中心是联合国教科文组织认定的世界遗产地，其建筑主要由sillar（一种白色火山熔结凝灰岩）建造，装饰精美的立面需要耗费大量时间进行记录。本研究评估了图像到图像翻译模型能否将立面照片转换为二维立面图表示。研究人员通过实地摄影和谷歌街景收集了578个历
阿雷基帕历史中心是联合国教科文组织认定的世界遗产地，其建筑主要由sillar（一种白色火山熔结凝灰岩）建造，装饰精美的立面需要耗费大量时间进行记录。本研究评估了图像到图像翻译模型能否将立面照片转换为二维立面图表示。研究人员通过实地摄影和谷歌街景收集了578个历史建筑立面的数据集，经过障碍物移除、基于单应性的几何校正和拼接等预处理，并与使用生成工具制作并经建筑师校正的参考表示进行配对。研究人员训练了三种模型（Pix2Pix、Pix2PixHD和对比非配对翻译模型CUT），并在包含66个立面的独立测试集上使用平均绝对误差（MAE）、结构相似性指数（SSIM）和峰值信噪比（PSNR）进行评估。Pix2Pix取得了最佳分数（MAE = 7.24，SSIM = 0.768，PSNR = 22.90 dB），Pix2PixHD紧随其后，而CUT表现较差（MAE = 20.80，SSIM = 0.418，PSNR = 16.04 dB）。对三栋建筑的探索性评估显示，50%–58%的建筑构件被成功生成。模型再现了立面的整体布局，但未能复现复杂的装饰元素。然而，历史建筑数据的有限可用性限制了对模型泛化能力的评估。
论文解读文章
一、研究背景与问题
阿雷基帕历史中心于2000年被联合国教科文组织认定为世界遗产地，其建筑群以当地称为sillar的白色火山熔结凝灰岩为主要建筑材料，融合了欧洲与本土建造传统，形成了以坚固砌体、拱券、庭院和高度装饰化立面为特征的独特建筑遗产。该地区的地震活动也影响了建造技术的演变，塑造了具有韧性的建筑形态。然而，由于历史建筑在几何形态和装饰丰富性上的复杂性，其文档记录与保护工作面临巨大挑战。拱券、柱式、浮雕、檐口和装饰细节等建筑元素需要大量专业知识和时间才能被准确表示和分析。传统文档记录方法往往劳动密集，限制了建筑档案的高效生成，凸显了文化遗产文档记录与保护中自动化、智能化方法的迫切需求。
在文化遗产领域，建筑保护状态监测是当今的重要挑战，核心问题之一是如何构建、连接和提供对保护领域复杂数据解释的访问。建筑立面图像承载着大量设计信息，随着计算机视觉技术的快速发展，基于图像的研究与建筑实践已成为有前景的领域。然而，现有研究沿着三条相对独立的路径推进：三维重建与语义建模、构件级分割、以及面向设计目的的生成式立面合成。这些技术进展与资源受限市政环境下文化遗产文档记录的实际条件之间存在关键缺口：自动化三维重建和分割方法通常需要专业设备（如LiDAR扫描仪、多传感器平台或密集摄影测量采集），而这些设备在市政遗产办公室中很少可用；现有的生成式立面方法则侧重于生成新的或风格化的设计，而非记录已登记遗产建筑经核验的物理现状。因此，由受过训练的建筑师手工制作实测立面图仍是主导的文档记录实践，这一过程耗时且难以在历史城市中心数百栋遗产建筑中规模化推广。
基于上述背景，本研究旨在评估轻量级图像到图像翻译模型——无需专门采集硬件、仅凭常规相机照片即可训练的模型——能否以与市政规模保护工作流相适应的速度和成本生成文档支持型表示，同时明确刻画其当前能够和不能复现的建筑细节。研究提出三个核心问题：（1）目前有哪些方法可将建筑立面照片转换为二维立面表示？（2）图像畸变、噪声、遮挡及其他图像质量问题在多大程度上影响二维立面表示的生成？（3）生成的表示能在多大程度上复现基座、主体和檐部区域内的相关建筑构件？
二、研究内容与主要技术方法
研究人员提出了一套从数据采集到模型验证的完整方法论流程，包括数据采集、预处理、参考标签生成、机器学习模型训练和最终验证五个阶段。研究聚焦于阿雷基帕的Yanahuara、Cayma和历史中心三个区域，通过数码相机实地拍摄和谷歌街景两种互补方式采集图像。对超出相机视野的建筑，采用分段拍摄后拼接的方式重建完整立面正视图。预处理阶段包括障碍物移除（去除行人、车辆、线缆、杆件等）、基于单应性的射影变换几何校正、图像拼接以及保持宽高比的尺寸统一。参考标签采用生成式人工智能工具生成后由具有修复领域从业经验的建筑学毕业生使用Adobe Photoshop进行人工校正和细化，遵循特定的几何细节层次（LoD）绘图规范，重点精确描绘门窗开口和壁柱，省略表面材料纹理和非建筑噪声，并如实表示场地坡度及用简化轮廓表示显著裂缝和材料缺失区域。三种图像到图像翻译模型被用于训练：CUT（对比非配对翻译，基于对比学习、无需完美对齐图像对的非配对方法）、Pix2Pix（基于配对训练数据的条件生成对抗网络基线模型）和Pix2PixHD（通过多尺度生成器和判别器生成更高分辨率、更精细细节的模型）。数据集按70%、20%和10%划分为训练、验证和测试子集，采用保持宽高比的填充技术处理宽高比差异，并应用翻转、旋转、亮度调整、对比度调整和颜色调整等数据增强技术。实验在Google Colab环境中使用Python 3.13.15和PyTorch 2.11.0+cu130完成，运行于配备Tesla T4 GPU（15.64 GB显存）的Linux系统上，训练过程持续150个周期。
三、研究结果
定量评估结果。 在包含66个立面的独立测试集上，Pix2Pix取得了最优性能：MAE为7.24，SSIM为0.768，PSNR为22.90 dB；Pix2PixHD紧随其后，MAE为7.73，SSIM为0.768，PSNR为22.35 dB；CUT表现明显较差，MAE为20.80，SSIM为0.418，PSNR为16.04 dB。这些指标从不同维度反映了模型的重建性能：MAE衡量平均重建误差，PSNR反映生成图像的整体质量，SSIM则衡量结构信息的保留程度。
建筑构件分析结果。 研究人员依据路易斯·沙利文提出的三段式组织原则和希腊-罗马比例原理，将立面划分为基座、主体和檐部三个构图区域，由两位遗产保护专家采用五级序数评分量表对构件生成质量进行评估。结果显示：巴洛克风格在基座区有55%的构件成功生成，主体区55%，檐部区51%；新古典主义风格分别为基座区50%、主体区56%、檐部区54%；新文艺复兴风格分别为基座区53%、主体区58%、檐部区58%。
各风格构件的生成表现。 在巴洛克风格中，立面整体构图在开口、主入口门、壁柱、饰带和上部檐口等结构元素上得到充分保留，主要建筑构件的相对位置得以维持；但檐部、柱顶板、柱头和与窗户相关的装饰细节出现简化，上部曲线元素清晰度下降，混合曲线山花、中央装饰盾徽、装饰线脚和铁艺细节出现变形、碎裂或部分缺失。在新古典主义风格中，主柱、上部檐部和门窗的整体分布被正确生成，但线脚、檐口和部分窗户装饰元素仅部分生成，壁柱基座和檐部的某些部分出现碎裂或变形。在新文艺复兴风格中，开口、门、墙体和主檐口等大型结构元素被满意地生成，但涡卷托架、拱顶石、上部装饰元素和线脚细节仅部分生成，装饰性锻铁格栅出现大量细节丢失，中央门出现变形，某些过渡区域存在不连续性。
四、讨论与结论
讨论部分指出，模型对较大且几何结构更规则的建筑元素能够较一致地复现，而装饰性构件和精细细节仍难以重建。这一现象可部分归因于两个特征：一是建筑元素存在显著的形态多样性，同一类型元素会因建筑时期和风格不同而在装饰、表面处理和轮廓上产生差异；二是建筑元素在空间上的重叠和邻近性会干扰其重建，例如窗户和锻铁格栅可能占据同一图像区域导致轮廓重叠。此外，sillar材料的白色特征和部分建筑细节之间有限的视觉对比度增加了模型区分某些构件的难度。
关于方法论的局限，研究人员指出参考标签源于AI生成输出后经建筑师校正，而非实地测绘或档案实测图，因此继承了生成工具的图形惯例：表示是非公制的、不编码地面基准或地形标高、且几乎全部笔画为直线，模型可能部分学习到标签生成流程的归纳偏差而非独立的建筑真实。尽管如此，这一局限并不影响模型间的比较有效性，因为所有模型均在同一标签集上训练和测试，但限制了对绝对指标作为客观建筑真实保真度的解释。研究还发现生成表示对输入图像的几何校正质量敏感，当图像未通过单应性正确对齐时，模型倾向于保留输入照片中的部分透视变形。
研究结论表明，图像到图像翻译模型能够复现所评估立面的总体结构特征，但在精细几何细节和复杂装饰元素方面仍存在差异。在独立测试集上，Pix2Pix取得了最佳结果（MAE = 7.24，SSIM = 0.768，PSNR = 22.90 dB），Pix2PixHD紧随其后（MAE = 7.73，SSIM = 0.768，PSNR = 22.35 dB），CUT性能较低（MAE = 20.80，SSIM = 0.418，PSNR = 16.04 dB）。定性分析显示，几何配置更简单的立面反而呈现更大生成困难，而建筑细节更丰富的立面允许模型获得更接近参考表示的近似。图像质量和几何校正影响生成的表示。历史建筑数据的有限可用性是评估模型泛化能力的重要限制。未来工作将聚焦于扩充数据集、纳入额外几何信息以及探索生成表示的自动矢量化。本研究应被视为一项概念验证评估，证明了将图像到图像翻译模型应用于历史立面文档记录的技术可行性，并为本研究特定条件下模型性能比较建立了基线。
