CoMa: Contextual Massing Generation with Vision-Language Models

doi:10.3390/smartcities9090153

CoMa: Contextual Massing Generation with Vision-Language Models

2026-09-18

0

OA

AI

Anastasia Antsiferova *

DOI：10.3390/smartcities9090153

原文链接

原文求助

摘要

En 中文

基于语境的建筑体量设计是一项重要的早期设计任务：给定建筑用地，生成的体量不仅应适应目标地块，还需与周围城市肌理的规模、密度和形态相关联。该任务具有自然的多模态特性，因为目标输出需保持结构化且可编辑，而周围环境（包括其他建筑或道路）可表示为矢量几何、地图图像或三维视图。本文研究了使用视觉-语言模型（VLMs）进行语境体量生成，并分析了其在训练和推理过程中针对不同语境模态的性能。我们构建了一个包含12,845个墨尔本体量的实验数据集，包含地块轮廓、结构化3D几何、邻近建筑、俯视图以及多视角3D语境图像。我们还引入了一种学习到的语境相关性度量，用于评估生成的体量是否在形态上与周围环境相容。使用Qwen3-VL模型，我们比较了无语境、单模态语境和多模态语境的训练策略，并在受控的模态组合和语境量下评估了推理性能。结果表明，模型规模显著影响生成质量，多模态训练提升了各模态的利用效率，而多模态推理提供的语境信号强于孤立语境输入。

Keyword:

building massing

vision-language models

multimodality

generative artificial intelligence

supervised fine-tuning

CoMa: Contextual Massing Generation with Vision-Language Models

摘要

期刊

机构

引用论文