Cassini
Lab
Powered by Microfeel
我们坚持我们的实验精神：
Do something! Stop talking!
面对新技术，新产品，我们不做“拍脑瓜”式的认知输出和争论，而是转身去实验、去解析、去阅读、去真正的合作、去探索，用数据进行论证，来交流产品问题的解决方案。来自不同学科背景的年轻研究者和科学家，共同致力于：AI空间理解、空间生成、人工智能、机器学习等领域的关键问题研究。
Open 3D World Generation
AD-Urban-GAN
提出了⼀个堆叠的GAN模型框架，该框架通过使⽤建筑师在解决特定设计任务时⽣成的数据来微调Urban-GAN，形成AD-Urban-GAN。增强了Urban-GAN在处理设计任务时的适应性和效率，提高了Urban-GAN模型针对特定城市设计任务的可定制性。
Keywords：Architect Design Decisions, Fine-tuning, GANs, Stack- GANs, Adaptability, Customizability
A Framework for Fine-tuning Urban Gans Using Design Decision Data Generated by Architects through Gans Applications
Zhong, X., Liang, J., & Fricker, P. D. P.,
Liu, S., CAADRIA
Urban Layout Process
提出一种基于规则的生成对抗网络（GAN）工作流程，用于自动选择和标记城市数据集，以训练定制的GAN模型，从而生成城市布局方案。通过标记训练（GAN）模型使机器能够学习城市形态特征和城市布局逻辑。
Keywords：Deep Learning, Generative Adversarial Network (GAN), Urban Layout Process, Automatic Dataset Construction, Co-design
A Discussion on an Urban Layout Workflow Utilizing Generative Adversarial Network (GAN) – With a focus on automatized labeling and dataset acquisition
Zhong, X., Fricker, P., Yu, F., Tan, C. & Pan, Y., eCAADe 2022
MARL for Urban Building Energy Modeling
提出并研究了一种多尺度原型表示学习方法（MARL）。MARL基于VQ-AE构建，对建筑覆盖区进行编码，并将几何信息纯化为受多个建筑下游任务约束的潜在向量。它具有对不同建筑占地面积大小的适应性，跨多尺度区域自动生成的能力，以及跨社区和当地生态的几何特征的保留等优势。
MARL: Multi-scale Archetype Representation Learning for Urban Building Energy Modeling
Zhuang, X., Huang, Z., Zeng W., Caldas, L., ICCV 2023
Automated Building Archetype Generation
提出了一个采用自监督学习的替代工具，将复杂的几何数据提炼成具有代表性的 locale-specific原型。培养一种新的范式与建筑环境的互动，结合当地参数进行定制社区层面的能源模拟。通过整合建筑围护结构特性并将文化粒度融入建筑原型生成过程中。
Encoding Urban Ecologies: Automated Building Archetype Generation through Self- Supervised Learning for Energy Modeling
Zhuang, X., Huang, Z., Zeng W., Caldas, L. ACADIA 2023
CycleGAN
提出了一种基于循环生成对抗网络（cycleGAN）的不标记配对数据的深度学习模型训练方法。评估 pix2pix 模型（需要配对数据集）和 cycleGAN（不需要配对数据集）的结果和过程，并探讨了这两种 DL 模型与专业 CFD 软件的结果差异。结果表明，cycleGAN的精度与pix2pix一样。
Keywords：Deep learning,Wind velocity prediction,Pix2pix,CycleGAN
A Rapid Wind Velocity Prediction Method in Built Environment Based on CycleGAN Model
Tan, C. & Zhong, X., CDRF 2022
Landscape Form-finding
AI as a Collaborative Partner in Landscape Form-finding
Tan, C., Zhong, X., Fricker, P., DAL 2024
Metaverse with AI
一个直接从人类体验构建的元宇宙框架，使其具有深度个性化和意义，为用户提供独特且身临其境的体验。提出了一个元宇宙框架，该框架利用可穿戴技术和人工智能（AI）根据个人的意识和潜意识体验生成虚拟空间。
Your Memory Palace in the Metaverse with AI
Koh, I., Ashley Chen, AAAI-23, NVAITC
Collaboration on the Blockchain
开发了一个案例研究项目 H=N BLOCK+A，并在概念和基础设施两个层面实施了区块链原则。在概念层面，建筑区块被推测和应用为自主和去中心化的 Web3 资产。在基础设施层面，现有的可持续区块链可促进嵌入去中心化设计方法，实现实时参与式集体建筑形式的共同创造。
Keywords：Collaborative Objects, Participation, Open Architecture, Blockchain, Web3
Blockchain Architectures, the Potential of Web3 for Decentralized Participatory Architecture – Collaborative objects on the Blockchain
Grasser, A., Parger, A., eCAADE 2022
Building-GNN
提出了一种名为Building-GNN的新型深度学习（DL）框架，结合图神经网络（GNN）和递归神经网络（RNN），以解决生成可控3D体素建筑模型的挑战。其目的是使建筑师和人工智能能够共同探索三维建筑模型的形状和内部空间规划，形成协同设计范式。添加RNN可以提高三维模型形状和体素关系预测的准确性。
Keywords：Deep Learning, Graph Neural Networks, 3D Building Layout, Co-design Recurrent Neural Networks, Multi-step Reasoning
Building-GNN: Exploring a co-design framework for generating controllable 3D building prototypes by graph and recurrent neural networks
Zhong, X., Koh, I. & Fricker, P. D. P., eCAADe 2023
Human–machine collaborative workflow
提供了一个基于物理模型模拟空间邻接关系的人机协作设计工作流程。该工作流程通过允许设计师使用环境锚点在自动布局迭代中做出决策，增强了自动化空间布局过程，并将设计师在手动建模方面的决策经验与机器在快速自动化布局方面的能力相结合。
Keywords：Spatial adjacency simulation,Physical model,Responsive design process,Human–machine collaborative workflow,Real-time visualization
A Human–Machine Collaborative Building Spatial Layout Workflow Based on Spatial Adjacency Simulation
Zhong, X., Yu, F. & Xu, B., CDRF 2022
Collab Wood
利用实时协作平台，我们设计并实现了 Collab Wood 原型——一个实时建筑平台。 该平台实现了在 unity 中进行协作和设计的创新工作流程。在游戏引擎 Unity 中开发的定制应用程序为共享建筑设计提供了一个在线持久环境。此外，它还提供了一个灵活的框架，可通过 Grasshopper 将数据简化为 Rhinoceros 数据。
Realtime Architecture Platform Collab Wood
Grasser, A., Parger, A., Hirschberg, U. ACADIA 2021
Reappraising Configuration for Collaborative Objects
用户生成内容和集体创造价值的开放平台在设计领域越来越常见。本文通过重新评估开放式配置、潜在结构和可变填充，讨论了这种集体内容生产如何实现以计算和人为中心的建筑。
Keywords：Collaborative Objects; Open Configurations ; Latent Structures; Vaiable Infill; Realtime Platform; Participation
Reappraising Configuration and its Potential for Collaborative Objects
Grasser, A., Parger, A. eCAADE 2021
Pervasive Collaboration in Realtime Architecture
一个开放的实时协作环境，支持空间分布式团队的参与式设计活动。该项目基于在线平台和共享设计理念的开源方式和游戏引擎技术在共享增强现实方面的最新进展。此外，该项目还关注协作对象的组合设计： 提出了一种将不同作者的设计理念聚合和组合在一起的游戏模式。
Keywords：Collaborative Objects, Realtime Architecture, Tangible Complexity
Pervasive Collaboration and Tangible Complexity in Realtime Architecture
Grasser, A., Parger, A., Hirschberg, U. Ecaade 2020
3D Space Creation
Bridging BIM and AI
将BIM数据转换为图结构数据，以便AI学习3D模型的一种编码方法。利用变分图自编码器（VGAE）的图重建能力对BIM数据进行无监督学习，以确定合适的编码方法。VGAE的图生成能力还可以推理空间布局。
Keywords: BIM,Graph-Structured,EncodingMethod,VGAE,Graph Reconstruction and Generation
Bridging BIM and AI： A Graph-BIM Encoding Approach for Detailed 3D Layout Generation Using Variational Graph Autoencoder
Liang, J., Zhong, X., Koh, I., CAADRIA
Building-VGAE
提出了一个基于变异图自动编码器（VGAE）的三维建筑生成框架Building-VGAE。该框架能够根据设计约束和建筑体量，生成包含详细建筑构件和分层结构信息的三维模型。VGAE 模型可以学习数据的特征，并预测节点和边所属的建筑构件类别。
Keywords：Variational Graph Auto-Encoder, Detailed Building Components, Layer Structure, 3D Spatial Grid Structure, Graph Reconstruction and Generation
Building-VGAE： Generating 3D detailing and layered building models from simple geometry
Liang, J., Zhong, X., eCAADe 2024
Building-Agent
介绍一种新颖的三维建筑生成代理框架：Building-Agent，它结合了大型语言模型的决策能力和图神经网络（GNN）的推理能力。它能准确预测不同的场地布局结果，并实现较高的任务完成率的同时，还允许通过多步骤自然语言指令进行交互式三维建筑布局迭代。
Keywords：Building Generation Agent, Large Language Model, Graph Generation Model, Language Understanding, 3D Spatial Reasoning, 3D Cognitive Ability
Building-Agent： A 3D generation agent framework integrating large language models and graph-based 3D generation mode
Liang, J., Zhong, X., eCAADe 2024
Food-to-Architecture with GANs and Diffusion Models
使用生成对抗网络（GAN）和扩散模型，探讨了美食与建筑的联系。这项研究没有使用文本输入提示来生成建筑图像，而是将其与食物词汇相结合，从而挖掘它们在融合各自概念和形式特征方面的潜力。
Keywords：Deep Learning, Midjourney, DALL-E 2, DreamFusion,Stable Diffusion, GANs
AI-Bewitched Architecture of Hansel and Gretel： Food-to-Architecture in 2D & 3D with GANs and Diffusion Models
Koh, I., D. Reinhardt, M. Makki, M. Khakhar, N. Bao, CAADRIA 2023
StyleGAN2 Model for Facades
通过实现StyleGAN2模型，在没有条件输入的情况下生成合理的建筑立面图像。通过应用GANSpace分析潜在空间，可以控制生成的图像和训练集外的新图像的高级属性。最后，利用图像嵌入和PCA投影方法对生成控制过程进行可视化，实现生成图像的无监督分类，有助于理解图像与其潜在向量之间的相关性。
Keywords：Building façade generation,Architectural generative design,Image high-level property control,GAN,GAN explanation,StyleGAN,Latent space
Exploring in the Latent Space of Design：A Method of Plausible Building Facades Images Generation, Properties Control and Model Explanation Base on StyleGAN2
Meng, S., 2021 DigitalFUTURES
Decentralized Participation in Digital Art and Architecture
通过研究三个基于像素的项目，强调了在做出不同的概念选择时，协作创意的不同结果和潜力。将二维像素项目的原则扩展到基于三维体素的参与式数字建筑框架，展示了战略性概念决策在塑造集体形式实现过程中的重要性。
Keywords：Collaborative Objects, Participation, Discrete, Open Architecture
Decentralized Participation and Agency in Digital Art and Architecture, An Exploration of Pixel and Voxel-Based Case Studies
Grasser, A., eCAADE 2023
RESHAPE Rapid forming and simulation system
ReShape，一个由无人飞行器（UAV）蜂群技术支持的数字物理空间表示系统，允许用户投射自己未建造的设计，并在真实空间中与之互动，而无需通过头戴式耳机、固定相机或屏幕进行连接。可由用户的口令和手势作为输入进行控制，无人飞行器在空间中的空间排列提供实时反馈，并通过计算模拟进行增强。
Keywords：UAV system; Spatial representation; a detecting system; human-computation interaction
RESHAPE Rapid forming and simulation system using unmanned aerial vehicles for architectural representation.
Lin, X., Rizal M.,2021 DigitalFUTURES
Building Massing Optimisation
提出了一种结合风能、太阳能分析、进化算法和机器学习的新工作流程。该流程首先利用进化算法将设计师意图与能源模拟结合，生成优化建筑体量；然后训练机器学习模型重新映射设计师意图和建筑布局。
Keywords：Designer-centric Collaboration, Evolutionary Algorithm, Performance-based Layout Optimizatio
A “Designer-centric” Framework for Building Massing Optimisation
Tan, C. & Ying, D. eCAADe2024
Robust Digital-Twin
提出了一种基于变压器的 6DoF 姿态估计器，以实现最先进的精度。引入了一种名为数字孪生跟踪数据集 v2 （DTTD2） 的新型 RGBD 数据集，以系统地验证新解决方案相对于现有技术的性能，该数据集专注于数字孪生对象跟踪场景。
Robust Digital-Twin Localization via An RGBD-based Transformer Network and A Comprehensive Evaluation on a Mobile Dataset
Huang, Z., Yao, K., Zhao S., Pan C., Xu T., Feng, W., Yang A.
3D-Diffusion
3D-Diffusion Or 3D-Disfiguration: Neural Sampling Architectural Ways of Saying and Ways of Seeing
Koh, I., Ashley Chen, 2023.(Ed.)
Dreamfields-3D
GaussianSpace
提出了一种新的方法，即高斯空间（GaussianSpace），将二维扩散模型与三维高斯拼接技术相结合，以实现有效的文本引导编辑。当前用于文本引导三维高斯编辑的技术通常依赖于基于指令的迭代数据集更新方法，这限制了它们在处理复杂空间时的适用性。因此我们提出了一种新方法，该方法在迭代过程中考虑了地面真实图像的 RGB 损失和基于扩散模型的分数蒸馏采样损失。
GaussianSpace: Text guide 3D Gaussian Splatting Large Spatial Manipulations
Meng S., Zhong X., Yu F. 2024
AI Guide Characters Actions & Interaction
AI Game Mechanics & Tasks Narrative Generation
钟喜明
Zhong Ximing
芬兰 Aalto 大学
Ph.D. Researcher
Microfeel 空间直觉 CEO
于阜甲
Yu Fujia
芬兰 Tampere 大学
Ph.D. Researcher
Microfeel 空间直觉 CTO
蒙胜宇
Meng Shengyu
奥地利 Innsbruck大学
Ph.D. Researcher
AIGC 领先研究者
梁嘉栋
Liang Jiadong
英国 AA 硕士
Foster & Partners 数字化设计师
GNN 方向研究员
林旭辉
Lin Xuhui
英国 UCL 大学
Ph.D. Researcher
10+ 技术专利和顶级会议期刊
黄子勋
Huang Zixun
UC Berkeley
FHL Vive Center Researcher
三维计算机视觉多模态方向
Alexander Grasser
奥地利 Innsbruck大学
Ph.D. Researcher
生成式三维空间合作专家
Immauel Koh
Advisor
Professor of SUTD
建筑和可持续设计、设计和人工智能 AIGC 方向
李英凯
Li YingKai
意大利米兰理工大学
建筑学硕士
Cassini 助理研究员
///
Cassini Lab 取名于美国宇航局NASA第一个进入土星轨道的探测器。该探测器历经十余年的探索，共发现了七颗围绕土星运行的新卫星。
Cassini 代表着我们团队对未知世界的勇敢探索、以及对未来探索与创新的无限憧憬。