가구가 배치된 평면도는 부동산 시각화, 인테리어 디자인, 건축 워크플로를 지원하지만, 자동 가구 배치는 제한된 실제 데이터와 상호 작용하는 기하학적 및 기능적 제약 조건을 충족해야 하는 문제로 인해 여전히 어려운 과제로 남아 있습니다. 본 연구에서는 사전학습된 모델을 활용해 실제 평면도에서 전문적인 가구 배치 지식을 학습함으로써, 비용이 많이 드는 반복적 에이전트 기반 추론(inference)에 의존하지 않고 제약 조건을 직접 인식하는 레이아웃 생성이 가능한지 질문을 던집니다. 이를 위해 92개 객체 클래스와 10개 주거용 공간 카테고리에 걸쳐 정밀한 가구 주석이 포함된 505개의 실제 전문 건축 평면도로 구성된 정선된 데이터셋(dataset) AntPlan과, 가구 레이아웃 생성을 위한 프레임워크인 Architect-Ant를 소개합니다. Architect-Ant는 편집 가능한 좌표 기반 DSL로 레이아웃을 표현하며, 지도 미세조정(supervised fine-tuning)을 통해 전문적인 가구 배치 패턴을 먼저 학습합니다. 이후 전문 평면도에서 도출된 기하학적 및 기능적 제약 조건을 종합한 레이아웃 규칙 점수(LRS)를 바탕으로 GRPO를 사용해 최적화되며, 정해진 추론 경로 없이도 결과 수준의 감독을 제공합니다. 다양한 최첨단 베이스라인과의 비교 실험을 통해 Architect-Ant가 낮은 기하학적 위반율과 높은 기능적 완성도를 동시에 달성함을 입증했으며, 정성적 결과 또한 실제 주거 가구 배치 패턴을 더욱 밀접하게 반영합니다. 생성된 레이아웃은 객체 수준에서 편집 가능하며 3D 장면으로도 변환할 수 있습니다.
조건부 평면도 생성 모델이 도메인 간 전이 시 최대 10배 성능 저하를 겪는다는 문제를 규명하고, 건축적 사실성을 의도적으로 배제한 대규모 합성 데이터셋으로 사전학습하는 절차적 방법을 제안한다. 이 전략은 RPLAN, MagicPlan, Swiss Dwellings 세 데이터셋에서 제로샷 크로스 도메인 성능을 크게 향상시키며, 저데이터 파인튜닝 환경에서 실제 데이터 기반 초기화 대비 최대 40% 성능 향상을 달성했다.
자동 주거 평면도 생성에서 두 가지 구조적 통찰이 간과되어 왔다. 첫째, 설계는 본질적으로 점진적이다. 건축가는 거친 스케치로 시작하여 시간이 지남에 따라 이를 정제하지만, 기존 방법들은 일반적으로 생성 전에 조건화 표현(conditioning representation)을 완전히 지정해야 하며, 이는 실제 설계 방식과 근본적으로 불일치한다. 둘째, 2D 평면도는 선택적 중간 산물이 아니라 대체 불가능한 공간적 계약(spatial contract)이다. 방 경계, 문, 창문이 고정되면 가구 배치는 개방형 공간 추론에서 제한된 제약 만족(constraint satisfaction)으로 축소된다. 기존 3D 시스템이 레이아웃을 언어 모델에 위임함으로써 이 계약을 우회하면 방이 겹치고 비현실적인 비율이 발생하며, 범용 언어 모델을 직접 호출하는 것도 마찬가지로 기하학적으로 유효하지 않은 레이아웃을 만든다. 이러한 통찰에 따라 PlanCraft를 제안한다. SketchPlan은 8만 개의 실제 평면도에서 건축가의 그리기 과정을 재현하여 모든 완성도 수준에서 부분 스케치를 생성함으로써 누락된 학습(training) 신호를 제공한다. PlanCraft-Diff는 거친-세밀(coarse-to-fine) 전략을 통해 불완전한 스케치를 기하학적으로 정밀하고 벡터화 가능한 평면도로 점진적으로 선명하게 만든다. 공간적 계약이 확립되면 PlanCraft-에이전트(PlanCraft-Agent)가 잘 정의된 방 경계 내에서 장면에 가구를 배치한다. 실험 결과 PlanCraft는 기존 최고 2D 방법 대비 FID가 61.1% 낮으며, 전문가 평가 공간 합리성에서 기존 3D 시스템을 15점 능가하고, 25% 완성도의 스케치만으로도 모든 완전 지정 기준선(baseline)을 능가한다.
각 방을 공간적 가우시안 분포로 모델링하는 연속 잠재 표현인 GRE(Gaussian Room Embedding)를 도입하고, 이를 기반으로 사용자 지정 제약 조건 하에 아파트 평면도 생성 및 편집을 자동화하는 확산(diffusion) 기반 프레임워크 GRE-Diff를 제안한다. RPLAN 데이터셋 실험에서 GRE-Diff는 LLM 파싱 명령어나 GUI 인터랙션을 통해 방 유형·개수·경계 형태를 제어하면서 고품질의 편집 가능한 다각형 레이아웃을 생성함을 보인다.