学校外的家长等候点与人流聚集处缺少休息设施，日常停留需求没有得到充分回应。
AI × URBAN REGENERATION / 硕士研究
一条街道，
多种生活的可能。
AI 辅助城市街道更新
从真实场地的问题出发，让图像生成参与设计推演。
项目类型城市更新 / AI 辅助设计
场地尺度约 300 米 · 0.77 公顷
研究方法场地分析 → LoRA → 节点推演
设计工具Stable Diffusion / ComfyUI
01 / CONTEXT先理解街道，
先理解街道，
再开始生成。
这是一条“通学 + 生活”的复合型街道。
沾丁路位于杭州市临平区崇贤新城。西侧是中学和幼儿园，东侧是居住区底层商业。设计范围覆盖人行道、道路与两侧建筑前区，主要服务儿童与周边居民。
非机动车占用人行道，机动车占用非机动车道，停车与通行空间相互挤压。
部分路面老旧、易积水，沿街绿化和植物层次不足，街道界面有待改善。
02 / MODEL让生成模型，
让生成模型，
更贴近街道场景。
以 SDXL 1.0 为基础，训练街道设计 LoRA。
收集街道图像，经过图像整理、自动打标与人工标签核验，建立包含 1152 张图像和对应标签文件的训练集。将模型训练与生图对比连接起来，筛选适用于后续设计探索的模型。
1152训练图像
25训练轮次
0.8最终选择的权重
DATA ANNOTATION / 图像打标
自动识别，再用设计知识校准。
通过 GPT-4 API 批量识别街道图像，生成初步标签；随后对照街道设计知识图谱逐张核验，将标签聚焦于街道设施、路面、绿化与建筑界面。
人工检查分为两步：删除天气、行人等与本次训练目标无关的描述；补充图像中遗漏的设计要素，并统一标签用语。最终将每张图像与对应的 TXT 标签文件配对，作为 LoRA 训练输入。
TRAINING MONITOR / 训练监测
从左到右为 loss/average、loss/current、loss/epoch。数值为原图约读。
观察 Loss 的下降，也检查生成结果。
训练共进行 25 轮。平均 Loss 在前期下降较快，后期逐渐趋缓；按轮次观察，Loss 从约 0.125 降至约 0.09，末段有小幅回升。单步 Loss 波动明显，因此结合平均值与每轮趋势观察训练过程。
Loss 用于监测训练状态，不能单独证明生成质量或排除过拟合。模型选择仍结合相同提示词下的生图对比，检查设计要素、空间布局和整体协调性。
03 / DESIGN ITERATION先展开可能，
先展开可能，
再控制细节。
明确设计导向
把场地问题转为具体空间要素：座椅、树池、停车棚、铺装与街边花园。
生成并筛选方案
结合现场照片、提示词与 LoRA，比较不同场景表达，选取继续深化的方向。
控制结构与局部
生成并修改线稿，借助 ControlNet 和局部重绘，进一步调整结构和细节。
五个节点，五种回应。
点击节点，查看现状与 AI 设计表达。
04 / WORKFLOW将生成过程
将生成过程
组织成工作流。
从图生图到分块放大，连接完整的生成流程。
以下节点图根据导出的 ComfyUI 工作流重建，保留节点编号、连接关系及参数。紫色边框标记停用或旁路节点；拖动空白处平移画布，拖动节点移动位置，拖动节点右下角调整大小；单独调整节点时文字字号保持不变。
图像生成提供可能，
空间判断决定方向。
这个项目把场地分析、模型训练、节点方案和生成工作流串联起来。AI 用于概念探索与视觉表达；道路组织、设施尺度、可达性和建造条件仍需在后续深化中验证。
项目性质：硕士阶段设计与研究探索。展示图为 AI 生成概念方案，不代表建成效果。