Open Access

Franziska Mees

• Folgende Arbeit befasst sich mit Diffusionsmodellen und deren Optimierung im Kontext der Landschaftsarchitektur. Im Zentrum steht dabei das Training von KI-Modellen. Um ein größeres Verständnis für den Vorgang eines Trainings zu erhalten, werden im theoretischen Rahmen Grundlagen gelegt. Einerseits wird beleuchtet, welche Bedeutung Bildgeneratoren derzeit in der Landschaftsarchitektur haben. Andererseits bezieht sich die Literaturanalyse auf die den Diffusionsmodellen hinterliegende Technologie, die Funktionsweise von neuronalen Architekturen, der Entwicklung der Modelle sowie des Trainings - genauer gesagt, des Fine-Tunings selbst. Die Fragen des Urheberrechts sowie Rahmenbedingungen werden dabei in der Arbeit behandelt. Das KI-Training bietet eine Bandbreite an Möglichkeiten. Durch die Entwicklung eines theoretischen Leitfadens, angepasst auf die Open-Source-Software Stable Diffusion wird ein Framework vorgestellt. Die Arbeit zeigt durch unterschiedliche Situationen bzw. Modelle, wie man ein KI-Training planen, umsetzen und bewerten kann. Durch drei zielgerichtete Lernaufgaben, dem Standort, der Konzeptsteuerung und dem Look wird die Untersuchung eingegrenzt. Dabei wird ein Rahmen abgesteckt, um unterschiedliche Variablen zu testen und die KI-Modelle auf das jeweilig festgelegte Ziel zu optimieren und zu steuern. Es wird festgestellt, dass Diffusionsmodelle nach einem Fine-Tuning (Feinabstimmung) im Kontext der Landschaftsarchitektur verbesserte Ergebnisse in Bezug auf die Fragestellung liefern können als die zurzeit verfügbaren Basismodelle. Die standörtlichen Informationen bzw. bestandsgegebene Faktoren liefern nach dem Training einen signifikanten Unterschied zu den allgemein verfügbaren Modellen. Die Steuerung des Konzepts d.h. die Interaktion zwischen Mensch und Maschine werden explorativ untersucht. Diese Erkundung vor dem Hintergrund der Landschaftsarchitektur zeigt neue Horizonte für weitere kreative Prozesse im Rahmen dieser Technologie auf. Es werden überdies Grenzen der Bewertung aufgezeigt, insbesondere bei der Steuerung des Trainings in komplexen räumlichen Zusammenhängen.
• The following work deals with diffusion models and their optimisation in the context of landscape architecture. The focus is on the training of AI models. The theoretical framework forms the base for a better understanding of the training process. Firstly, the current importance of image generators in landscape architecture is analysed. Furthermore, the literature analysis refers to the technology behind the diffusion models, the functioning of neural architectures, the development of the models and the training - more precisely, the fine-tuning itself. The questions of copyright and framework conditions are dealt with in the work. AI training offers a wide range of possibilities. By developing a theoretical guideline adapted to the open source software Stable Diffusion, a framework is presented. The work uses different situations and models to show how AI training can be planned, implemented and evaluated. Three targeted learning tasks - location, concept control and look - are used to narrow down the investigation. A framework is defined to test different variables and to optimise and steer the AI models towards the respective defined goal. It is found that after fine-tuning in the context of landscape architecture, diffusion models can deliver better results in relation to the question than the currently available basic models. After training, the site-specific information or existing factors provide a significant difference to the generally available models. The control of the concept, i.e. the interaction between man and machine, is investigated exploratively. This exploration against the background of landscape architecture reveals new horizons for further creative processes in the context of this technology. Furthermore, the limits of the evaluation are shown, especially when controlling training in complex spatial contexts.