人工知能がクリエイティブな領域を次々と開拓する中、厳密な構造的整合性と物理法則の遵守が求められる建築設計のプロセスにおいて、画期的なブレイクスルーが報告された。Japan Advanced Institute of Science and Technology (JAIST、北陸先端科学技術大学院大学) のHaoran Xie准教授、（早稲田大学理工学術院総合研究所 主任研究員）らの研究グループと、天津大学建築学院のYe Zhang准教授らの国際共同研究チームは、テキストによる指示から建物の構造を正確に反映した建築ファサード（外観）画像を自動生成するAIシステムを開発した。
2026年3月26日、建築デザイン分野の国際学術誌『Frontiers of Architectural Research』にて公開されたこの成果は、従来の画像生成AIが抱えていた「構造的破綻」という致命的な弱点を克服するものだ。設計の初期段階において、建築家とクライアントが共有する抽象的なイメージを瞬時に、かつ正確に視覚化するこの技術は、膨大な時間と労力を要していた建築のビジュアライゼーション手法を根本から再構築する力を持っている。
建築空間における生成AIの限界とハルシネーション
Stable DiffusionやMidjourneyに代表されるLatent Diffusion Models（潜在拡散モデル）は、入力されたテキストプロンプトから見事な視覚表現を生み出す能力で世界を驚嘆させてきた。キャンバス上のランダムなノイズから少しずつ意味のある輪郭を削り出し、高解像度の画像を合成するこのアルゴリズムは、芸術的なイラストやコンセプトアートの制作工程を劇的に変化させた。
しかし、この汎用的な画像生成AIを建築設計という厳密なルールが存在する実務に応用しようとすると、巨大な壁に直面することになる。例えば、「5階建てのモダンなキャンパス建築」という明確で直接的な指示を与えても、出力される画像は3階建てであったり、6階建てになったりするケースが多発する。さらに深刻なのは、窓の配置が物理法則を無視して壁からはみ出していたり、空中にドアが配置されたりと、建物の構造として成立しない画像を平然と出力してしまう点である。
この現象の背景には、拡散モデルの学習メカニズムそのものに起因する限界が存在する。AIはインターネット上から収集された膨大な画像とテキストのペアから、ピクセルの並び方のパターン（視覚的な特徴の分布）を学習している。しかし、その広範なデータセットの中には、「この建物は正確に何階建てであるか」「窓とドアは空間的にどのような相関関係にあるべきか」といった、緻密な幾何学的・構造的注釈はほとんど含まれていない。その結果、AIは「ガラス張りの近代的な建物らしい質感」を模倣することはできても、空間的要件や数値的な制約を数学的に理解して描画しているわけではないのである。
このようなAIの構造的な不正確さは「ハルシネーション（幻覚）」と呼ばれ、厳密な設計寸法と論理的な空間構成が要求される建築業界への本格導入を阻む最大の障壁となっていた。美しいが不正確な画像は、デザインのインスピレーションを得るための初期のブレインストーミングには使えても、建物の基本構成を決定し、クライアントと具体的な合意形成を図るためのツールとしては機能しなかったのである。
人間の設計プロセスを模倣する多段階アプローチ
この根本的な課題に対し、国際共同研究グループは、単一のAIモデルに抽象的なテキストから一気に最終的な画像を生成させるという従来のアプローチを放棄した。彼らが着目したのは、ルネサンス期から続く人間の建築家による段階的な思考と作図のプロセスである。
実際の建築設計において、設計者は最初から精密な完成予想図を描き上げることはない。まず、建物の全体的なボリューム、高さの制限、おおまかな階数などを決める抽象的なマスモデルやラフスケッチを作成する。次に、その骨格に合わせて窓やエントランスといった機能的な構成要素（コンポーネント）の配置を具体化していく。そして最終的に、光の当たり具合や外壁の材質、周囲の環境などを反映した緻密なレンダリング画像へと解像度を上げていく。アイデアを大きな骨格から微細なディテールへと段階的に具現化していくこの手法は、複雑な空間情報を整理し、設計の破綻を防ぐための極めて合理的な枠組みである。
新たに開発されたAIシステムは、この「全体から細部へ」という人間のワークフローをアルゴリズム上で忠実に再現している。具体的な手法として、「多段階生成フレームワーク」と「検索拡張生成（Retrieval-Augmented Generation: RAG）」という二つの高度な技術基盤を融合させることで、生成プロセスにおけるAIの暴走を段階的に押さえ込む仕組みを構築した。
タイポロジー（類型学）とRAG（検索拡張生成）の融合
本システムの中核を成し、最も革新的なアプローチと言えるのが、RAG（検索拡張生成）技術の画像生成プロセスへの統合である。RAGは本来、大規模言語モデルが事実と異なる回答を生成するのを防ぐため、外部の信頼できるデータベースを動的に検索し、その情報を参照しながらテキストを生成させる自然言語処理の分野で発展してきた技術である。研究チームは、この概念を視覚的な生成プロセスに持ち込み、建築の構造的制約を担保するためのアンカーとして機能させた。
建築の長い歴史の中では、過去の優れた建築物の空間構成やファサード（正面外観）の形式を分析・分類し、新しい設計の参照枠として活用する手法が「タイポロジー（類型学）」として体系化されている。今回のAIシステムは、テキストプロンプトに含まれる「5階建て」といった具体的な数値をトリガーとして、あらかじめ構築された外部の建築構造データベースを瞬時に検索する。条件に完全に合致する既存の建物の骨組みデータやコンポーネントを引き出し、それを下敷きとしながら画像生成を進める。これにより、拡散モデルが持つ自由奔放な生成プロセスに対して、物理的かつ幾何学的な制約を強力に付与しているのである。
抽象から具象へ：3段階の生成フレームワークの詳細
テキストによる指示から、構造的に矛盾のない極めて精密なレンダリング画像を錬成するため、提案されたフレームワークは3つの独立したフェーズを経由する。各フェーズは前の工程の出力を受け取り、外部データと照らし合わせながら徐々に情報量を付加していく。
第1段階：垂直構造の抽出と全体骨格の確定
最初のフェーズでは、建物の全体的な輪郭と正確な階数を定義する「制御された垂直スケッチ（Controlled Vertical Sketch）」の生成が行われる。ここでは、入力されたテキストから自然言語処理の技術（Named Entity Recognition）を用いて階数情報を正確に抽出する。そして、2,200点の簡易的な3D建物モデル（ホワイトボックス）を格納したデータベースへと照会をかける。
テキストの指定と合致する階数を持つ構造モデルがデータベースから抽出されると、その幾何学的な特徴と、テキストが示す建築スタイルの特徴が掛け合わせられる。画像からの直線構造の抽出に優れるM-LSDアルゴリズムを用いて輪郭線が取り出され、ControlNetと呼ばれる条件付けニューラルネットワークを介して、拡散モデルの潜在空間に強力な構造的ガイドラインが敷かれる。キャンパス建築のように明確な水平・垂直の層を持つ建物において、この初期段階で正確な「アタリ」をつけることが、後続の生成ステップでの構造的破綻を防ぐ絶対的な条件となる。
第2段階：SAMを用いた意味的要素の精密な配置
建物の全体構造と階数が確固たるものとして定まると、次は窓やドアといった具体的な建築要素を適切な位置にはめ込む「セマンティック・コンポーネント解決」のフェーズへと移行する。ここで中心的な役割を果たすのが、画像内のあらゆる物体を高精度に認識して切り抜く能力を持つSegment Anything Model (SAM) である。
システムはSAMを用いて、第1フェーズで生成された構造スケッチの中から「窓やエントランスが配置されるべき領域」を幾何学的に認識する。続いて、4,000パターンの多様な窓やドアの配置データを収めた建築要素データベースを検索する。テキストで指定された条件（例えば「5行3列の窓」など）に合致するコンポーネントのスケッチを引き出し、それを元のスケッチの空白部分に寸分の狂いなく統合していく。この処理により、従来のAIが頻発させていた窓の不規則なズレや数の不一致といったエラーを完全に排除し、詳細な「コンポーネント制御スケッチ」を完成させる。
第3段階：スタイルとマテリアルの高解像度レンダリング
骨組みと機能要素の配置が揺るぎないものとして固定された後、最終段階となる「スタイルとマテリアルの変換」処理が実行される。ここでは、完成した緻密なスケッチを絶対的なベースボードとして使用し、テキストプロンプトが要求する「赤レンガのファサード」「コンクリート打ちっ放しの壁面」といった材質感、さらには周囲の環境光や影の落ち方を計算して、写真と見紛うほどのリアルな建築画像を生成する。
構造的な制約が第2フェーズまでですでに確定しているため、この最終フェーズにおける拡散モデルは、表面のテクスチャやライティングといった視覚的表現の精緻化にすべての計算リソースを集中させることが可能になる。IP-Adapterなどの視覚的特徴を融合する技術も投入され、設計者の初期の意図を正確に保ったまま、極めて高い芸術性と実務的な説得力を併せ持つビジュアライゼーションが実現する。
専門家の視覚を凌駕する実証データと圧倒的精度
研究チームは、階数の制御や窓・エントランスの規則的な配置がシビアに要求される「キャンパス建築」を主な検証対象として設定し、本システムの性能を多角的に評価した。AIの訓練と検証の精度を極限まで高めるため、詳細なスケッチ、テキストプロンプト、そして最終的なキャンパス建物のレンダリング画像をセットにした1,600組の専用ペアデータセットを新たに構築するという徹底した準備も行われている。
客観的な性能評価の結果は、この多段階RAGアプローチの優位性を極めて鮮明に示している。建物の垂直方向の構成（階数）をテキストの指示通りに描写できているかを測る厳密なテストにおいて、最新の画像生成モデルであるPixArt-αが34.1%、HunyuanDiTが31.8%、そしてStable Diffusion 1.5が29.7%という低い正答率に留まる中、提案フレームワークは70.5%という卓越した精度を達成した。指定された数値を視覚的な構造として定着させる能力において、既存の汎用技術を完全に凌駕している。
さらに、画質の優劣を測るため、画像の劣化やノイズを評価するPSNR、人間の視覚的知覚に近い類似性を測るLPIPS、そして生成された画像群の分布のリアルさを評価するFIDといった複数の国際的な品質評価指標が用いられた。本システムはこれらすべての指標において、比較対象とした最先端の生成AIモデルを明確に上回る成績を残している。
加えて、建築やデザインを専門とする大学院生56名を対象とした主観評価実験も実施された。ドメイン知識を持つ専門家による厳しい視点から、「画像品質」「テキスト指示との整合性」「建築ディテールの正確さ」という3つの項目が評価された結果、いずれの項目においても5段階評価で平均4.0点を超える高いスコアを獲得した。構造の合理性を見極める専門家の目から見ても、本システムが出力する画像が実務レベルの検討に耐えうる高い説得力を持っていることが証明されたのである。
BIM連携と建築ワークフローの再構築
テキストから「ハルシネーション」のない精緻な建築を描き出すこの技術の確立は、建築設計の初期段階である概念設計（コンセプトメイキング）のプロセスに根本的な変容をもたらす道筋をつけるものである。
従来のワークフローにおいて、クライアントとの打ち合わせの中で「階数を1つ減らし、窓を連続した帯状に変更してほしい」といった要望が出た場合、建築家はアトリエに戻り、専用の3Dモデリングソフトウェアを用いて数日単位の時間をかけて設計案を修正し、レンダリング画像を再作成する必要があった。しかし、このシステムを活用すれば、設計の前提となる敷地条件や構造的ルールを維持したまま、テキストプロンプトを微修正するだけで、説得力のある複数の代替デザイン案をその場で即座に可視化できる。ファサードのプロポーションや開口部のリズムを制約の中で無数に試行錯誤することが可能となり、設計の反復サイクルを劇的に短縮しながら、意思決定の密度を高めることが実現する。都市計画の担当者やデベロッパーにとっても、本格的なモデリング作業に着手する前に、様々な制約条件下での代替案を迅速に比較検討するための強力な武器となる。
研究チームは今後の研究の広がりとして、現在はキャンパス建築に特化しているシステムの基盤を、複雑な住宅や大規模な商業施設といった多様なビルディングタイプへ拡張していく方針を示している。バルコニーや複雑な屋根形状といった、より三次元的な難易度の高い建築要素への対応も視野に入っている。
さらに先を見据えれば、生成された高解像度の2D画像データを、現代建築の基盤システムであるBIM（Building Information Modeling）ツールと連携させ、部材の寸法や材質データを持った3D空間の設計データへと直接変換する技術への接続も模索されている。AIの継続的な進化とともに、言語による抽象的な思考と物理世界の厳格な構造を結びつける本研究のアプローチは、建築ビジュアライゼーションの世界をより迅速で、信頼性の高いものへと変革していく強固な基盤となる。
論文
- Frontiers of Architectural Research: Controllable generation of building representations: Aligning campus building design intent with multi-stage retrieval-augmented diffusion models
参考文献
- 北陸先端科学技術大学院大学：テキストから正確な建築デザインを自動で生成するAIシステムを開発 ―多段階拡散モデルによる新しい建築設計手法―
- 早稲田大学：テキストから正確な建築デザインを自動で生成するAIシステムを開発
