Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (17) 2026. ISSN: 2697-3693  
Aplicación de la Red Generativa Adversarial condicional para la generación de soluciones arquitectónicas.  
DOI: https://doi.org/10.46296/ig.v9i17.0344  
APLICACIÓN DE LA RED GENERATIVA ADVERSARIAL CONDICIONAL  
PARA LA GENERACIÓN DE SOLUCIONES ARQUITECTÓNICAS  
APPLICATION OF CONDITIONAL GAN FOR THE GENERATION OF  
ARCHITECTURAL PLANNING SOLUTIONS  
Baque-De Los Santos Patricio Ivan 1  
1
Universidad Politécnica de San Petersburgo “Pedro el Grande”, Instituto de Ingeniería Civil.  
San Petersburgo, Rusia. Correo: bakedelossantos.p@edu.spbstu.ru.  
ORCID ID: https://orcid.org/0009-0000-3465-6380.  
Resumen  
El uso de modelos generativo con inteligencia artificial dentro de la arquitectura está en un  
constante auge con un principal problema: generar variantes o diseños no siempre y  
normativamente construible. El trabajo de investigación implementa y evalúa el uso de la red  
generativa adversarial condicional como alternativa al uso de modelos generativo dentro de la  
arquitectura, con el objetivo de generar modelos a partir de una base de datos de 400 pares de  
planos arquitectónicos, los cuales contienen criterios de diseño en zonificación y distribución  
espacial de edificios residenciales. La implementación del modelo cGan reveló que las imágenes  
obtenidas poseen fidelidad con los planos de referencia, además de un aprendizaje progresivo y  
secuencial en su etapa de entrenamiento y generación de imágenes. El estudio también revela  
que el uso de estos modelos es ajustable a objetivos dependientes de cada proyecto,  
posicionándose como una herramienta que es capaz de generar diseños coherentes y optimizar  
el tiempo de modelación en tareas repetitivas y mecánicas en el desarrollo de planos de planta.  
Palabras clave: modelos generativos; soluciones de diseño; zonificación espacial.  
Abstract  
The use of generative models with artificial intelligence in architecture is experiencing constant  
growth, with one main problem: generating design variants that are not always functionally or  
normatively feasible for construction. This research evaluates the use of the Conditional  
Generative Adversarial Network as an alternative to generative models in architecture, with the  
objective of generating models from a database of 400 pairs of architectural floor plans, which  
contain design criteria related to zoning and spatial distribution of residential buildings. The  
implementation of the cGAN model revealed that the generated images maintain fidelity to the  
reference floor plans, as well as demonstrating progressive and sequential learning during the  
training and image generation stages. The study also reveals that the use of these models can  
be adjusted to project-specific objectives, positioning itself as a tool capable of generating  
coherent designs and optimizing modeling time for repetitive and mechanical tasks in the  
development of floor plans.  
Keywords: generative models; architectural layout generation; spatial planning.  
Información del manuscrito:  
Fecha de recepción: 09 de marzo de 2026.  
Fecha de aceptación: 11 de mayo de 2026.  
Fecha de publicación: 15 de junio de 2026.  
471  
Baque-De Los Santos. (2026)  
1
. Introducción  
entre dos agentes: un generador que  
se encarga de crear imágenes a  
partir de la base de datos y un  
El uso de modelos generativos  
dentro de la arquitectura, han  
demostrado una optimización en  
procesos como el diseño conceptual  
discriminador  
que  
estima  
la  
congruencia y originalidad de las  
imágenes creadas por el generador  
clasificándolas como falsas o reales,  
los autores revelaron que el modelo  
Gan es capaz de desarrollar  
muestras coherentes y una viabilidad  
al uso de la red generativa  
adversarial [14].  
[
1], diseño de formas en  
3
dimensiones [2], [3], [4] modelación  
de planos de planta residenciales y  
de vivienda [5], [6], planos de planta  
escolares [7], fachadas y secciones  
[
8], [9] e inclusive procesos de  
modelación estructural [10], [11],  
12]. Sin embargo, dichos resultados  
Hoy en día la red generativa  
[
adversarial  
ha  
desarrollado  
de optimización no son obtenidos a  
partir de una sola herramienta  
generativa tal como lo revela el  
artículo [13], en el que los autores  
analizan varias investigaciones que  
implementan modelos generativos y  
de los cuales sus resultados surgen  
a partir de una combinación con  
otros modelos de programación y  
modelación paramétrica, tales como  
Dynamo, Grasshopper, Rhino y  
plugin de Revit.  
modificaciones y variaciones en su  
arquitectura de entrenamiento [15],  
uno de ellos es el modelo condicional  
Gan “cGan”, que surge del modelo  
original, pero con la variante  
“condición” (diagramas o etiquetas  
con niveles de detalle gráfico y  
técnico), el cual se integra a la base  
de datos de entrenamiento y tanto el  
generador como el discriminador  
están limitados a generar y evaluar  
datos sujetos al objetivo o dato  
referencial [16]. Entre los principales  
Bajo ese contexto, la red generativa  
adversarial (Gan), aunque aparece  
por primera vez en 2014, con el  
objetivo de desarrollar muestras  
resultados  
alineados a nuestro objetivo están:  
17] en donde el autor logra generar  
e
investigaciones  
[
“
samples” usando Data sets de  
variantes de diseños (planos de  
vivienda, con mobiliario) bajo el  
criterio de “segmentación por  
dígitos, rostros e imágenes de  
objetos, mediante un entrenamiento  
472  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (17) 2026. ISSN: 2697-3693  
Aplicación de la Red Generativa Adversarial condicional para la generación de soluciones arquitectónicas.  
colores” en un proceso de tres  
etapas con un data set diferente y  
acorde a cada progreso, a diferencia  
de [18] que solo aplica un  
entrenamiento de dos etapas,  
partiendo de un data set con muros  
sin mobiliario, para luego generar el  
plano amueblado final. Otro trabajo  
que sigue la misma línea de  
investigación es [19], con el objetivo  
de generar planos de planta con una  
lógica espacial de distribución, a  
partir de un dataset el cual  
evacuación. Además de fomentar el  
uso de modelos generativos dentro  
del área de modelación  
y
conceptualización de espacios a  
profesionales ajenos al campo de la  
programación.  
2. Metodología  
El  
modelo  
cGan  
se  
divide  
básicamente de 4 partes:  
⎯
⎯
Componentes de entrenamiento:  
Generador (G) y discriminador  
denominaron  
ALPLAN  
(D);  
(Architectural-like Plan Dataset),  
Adquisición de datos pareados:  
Input (x) “imagen de entrada” y  
Output (y) “imagen objetivo”;  
Arquitectura de regulación y  
estabilización adversarial;  
donde la condición está definida por  
un plano de contorno (perímetro de  
cada sección de una planta) para  
que el generador interprete cada  
información específica como las  
coordenadas del centro de los  
espacios y su área, obteniendo  
muestras de la imagen objetivo.  
⎯
⎯
Y entornos de programación  
Componentes de entrenamiento  
Los componentes principales de  
entrenamiento de la red generativa  
cGan son los modelos: Generador  
En  
ese  
sentido,  
la  
actual  
investigación implementa el modelo  
generativo cGan con el objetivo de  
evaluarlo para el desarrollo de  
(
G) y Discriminador (D), en donde el  
generador crea muestras parecidas  
la imagen objetivo el  
muestras hibridas referentes  
a
a
y
planos de planta residenciales  
diseñados bajo normativa rusa  
siguiendo una lógica de distribución  
entre zonas comunes, zonas  
privadas y zonas de acceso y  
discriminador evalúa las muestras  
del generador, creando un proceso  
de “competición” de ahí el termino  
adversarial, es decir entre mejor sea  
el resultado del generador, mayor  
473  
Baque-De Los Santos. (2026)  
será la dificultad del discriminador  
juzgar las muestras y en ese sentido  
sea incapaz de diferenciar entre lo  
real y lo falso [16], [20]. Dicho  
proceso adversarial se define  
mediante la ecuación 1.  
(Lambda), esto ayuda a estabilizar la  
división de tareas entre ambos  
componentes, justificado por [20],  
obteniendo como resultado la  
ecuación 2.  
ꢀ∗  
= 푎푟푔⁡푚푖푛 푚푎ꢁ ℒ푐퐺퐴푁(ꢀ, 퐷) +  
퐺
ꢄ
ℒ푐퐺퐴푁(ꢀ, 퐷) = 피 [푙표푔 퐷 (ꢁ, ꢂ)] +  
휆ℒ (ꢀ)  
(2)  
푥,푦  
퐿ꢅ  
피 [푙표푔⁡(1 − 퐷 (ꢁ, ꢀ(ꢁ, ꢃ⁡))]  
(1)  
푥,푧  
Donde:  
Donde:  
minG: es la expresión del generador  
para minimizar datos de LcGan, y  
engañar al discriminador.  
G (x, z): es el generador que aprende  
un mapeo desde una imagen de  
entrada (x) y un vector de ruido  
aleatorio (z) para generar muestras  
con referencia a la imagen objetivo  
maxD: es la expresión del  
discriminador que busca maximizar  
los datos de LcGan para clasificar  
correctamente las muestras reales y  
falsas.  
(y).D (x, y): es el discriminador que  
observa tanto la condición (imagen  
de entrada x) como la imagen  
resultante (ya sea la real y o la  
generada) para decidir si el par es  
real.Ex,y[log D(x, y)]: es la  
probabilidad logarítmica esperada  
de que el discriminador identifique  
correctamente los pares de datos  
reales.Ex,y[log(1-D(x,G(x, z))]: es la  
probabilidad logarítmica esperada  
de que el discriminador identifique  
correctamente que la imagen  
producida por el generador es falsa.  
Lambda: factor que equilibra la  
importancia entre la calidad de la  
imagen y la fidelidad con las  
imágenes referenciales.  
L1(G): función de pérdida que se  
calcula para estimar qué tan bien  
produce el generador imágenes  
similares a las reales.  
Adquisición de datos pareados:  
Input (x) “imagen de entrada” y  
Output (y) “imagen objetivo”  
Dentro del proceso adversarial se  
debe añadir una función de perdida  
L1 junto con un coeficiente  
El estudio parte de la necesidad de  
acelerar procesos mecánicos y  
474  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (17) 2026. ISSN: 2697-3693  
Aplicación de la Red Generativa Adversarial condicional para la generación de soluciones arquitectónicas.  
repetitivos dentro de la modelación  
arquitectónica, específicamente a la  
distribución espacial de planos de  
planta en edificios, bajo esa  
necesidad, el objeto de este estudio  
consiste en modelar planos de planta  
basados en las normativas [21], [22],  
característica de ser un espacio  
amplio y además de diseñar  
cabinas en la entrada principal  
para reducir climas el acceso a  
temperaturas bajas.  
⎯ Un piso debe responder ante la  
densidad poblacional, lo que en  
la práctica se define a los  
espacios (apartamentos) como:  
estudio, apartamento de un  
dormitorio (1к), apartamento de  
dos dormitorios (2к), de 3 (3к) y  
de 4 dormitorios (4к).  
[
23], las cuales regulan estructuras y  
edificios públicos, espacios  
residenciales y presentan soluciones  
arquitectónicas y de planificación  
para  
edificios  
de  
varios  
apartamentos. Dentro de los criterios  
generales, se consideran los  
siguientes:  
⎯
Cada del  
apartamento  
contacto con el exterior para  
satisfacer necesidades de  
ventilación e iluminación.  
espacio  
interno  
debe poseer  
⎯
Un  
considera optimo, cuando son de  
tipo seccional seccional-  
edificio  
residencial  
se  
o
corredor, es decir el edificio se  
divide por bloques donde cada  
uno actúa individualmente ante  
necesidades o situaciones de  
emergencia.  
En la parte técnica, se consideran lo  
siguiente:  
⎯
⎯
⎯
Se debe proveer espacios  
exclusivos para sistemas de  
calefacción,  
conexiones  
⎯
⎯
Se considera solamente dos tipos  
de piso: estructura del primer piso  
y estructura de un piso típico  
eléctricas y bajadas sanitarias  
cercanos a baños y cocina.  
Para edificios entre 1 a 19 pisos  
se debe proporcionar dos  
(segundo piso y superiores)  
Las zonas comunes deben  
diseñarse como un solo bloque y  
poseer acceso independiente  
desde el exterior entre las  
escaleras o rutas de evacuacion  
elevadores  
y
para edificios  
mayores a 19, entre 3 a 4  
elevadores.  
Dimensiones mínimas (tabla 1)  
y
entrada principal, con la  
475  
Baque-De Los Santos. (2026)  
Tabla 1. Dimensiones mínimas de elementos arquitectónicos  
Descripción  
Tramo de escalera  
Dimensión (m)  
>1.2  
Elevadores  
2.1 x 1.1  
1.5 - 2.5  
>1.4  
>1.6  
1.6x1.6  
Ancho de vestíbulo de elevadores  
Ancho de pasillo (corredor) con longitud menor a 40m  
Ancho de pasillo (corredor) con longitud mayor a 40m  
Cabinas de acceso o entrada  
El trabajo de investigación no  
considera dimensiones específicas  
de cocina, habitaciones, balcón,  
baños y cantidades específicas de  
apartamentos por planta porque  
pertenecen a un diseño exhaustivo  
de planos de vivienda y residenciales  
por lo que se toman valores  
referenciales y generales, además  
de que son criterios ajenos al objeto  
de investigación.  
Una vez definidos todas las  
especificaciones de  
conceptualización y distribución de  
espacios para edificios  
multifamiliares, se procede a la  
modelación de cada criterio, tal como  
se muestra en la Fig. 1, donde se le  
asigna un color especifico a cada  
tipo de espacio  
Figura 1. Elementos arquitectónicos de un plano de planta en edificios residenciales, Elaboración propia.  
476  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (17) 2026. ISSN: 2697-3693  
Aplicación de la Red Generativa Adversarial condicional para la generación de soluciones arquitectónicas.  
elemento espacial (Fig. 2.A). Y como  
Output se define a un plano de planta  
con los diferentes tipos de espacios  
definidos anteriormente (Fig. 2.B),  
permitiéndole al modelo comprender  
la lógica de ubicación y distribución:  
entrada-zona común central-zonas  
privadas.  
Por  
consiguiente,  
para  
el  
procesamiento de datos pareados se  
elabora como Input a una imagen  
que contiene el contorno de un  
plano, en el que la variante  
“condición” es la distribución de la  
zona común y la zona privada  
además de la etiqueta de cada  
Figura 2. Conjunto de Datos de entrenamiento: Imagen de entrada(2A-izquierda)-Imagen  
objetivo(2B-derecha). Elaboración propia  
práctica para el procesamiento de  
Se desarrollo un total de 400  
datos dentro del modelo [7], [17],  
imágenes pareadas en AutoCAD  
[
20].  
para la adquisición del Dataset,  
donde cada imagen pasa un proceso  
de redimensionamiento de 256 x 512  
pixeles, considerado como buena  
477  
Baque-De Los Santos. (2026)  
Arquitectura de regulación  
estabilización adversarial  
y
⎯ Arquitectura con  
conexiones de salto (skip  
connections): proceso de  
U-Net  
El proceso de entrenamiento  
arquitectura de entrenamiento) está  
redimensionamiento (encoder y  
decoder) a imágenes que el  
generador aplica por capas,  
donde se aplican conexiones de  
salto entre cada una de ellas para  
preservar detalles pequeños en  
cada redimensionamiento de la  
imagen (Fig. 3) [16], [20].  
(
conformado por funciones que  
regulan el procesamiento de datos,  
ejecución, generación y evaluación  
del modelo,  
consideran:  
entre ellas se  
Figura 3. Arquitectura de redimensionamiento Downsampling-Upsampling (encoder-decoder).  
Elaboración propia.  
⎯
Discriminador PathGan: produce  
un conjunto de “parches” (división  
en cuadricula de igual tamaño  
distribuidos en toda la imagen)  
entrenamiento, especialmente en  
problemas con dimensiones altas  
[15], [16].  
⎯ Normalización por lotes (Batch  
Normalization): ayuda a que los  
que  
actúan  
como  
mini-  
discriminadores enfocados de  
manera local en cada uno de  
ellos, escalando mejores las  
resoluciones de una imagen [16].  
modelos  
más  
profundos  
funcionen reduciendo el cambio  
de covariable interna (internal  
covariate shift), lo que acelera el  
entrenamiento y es crucial para  
evitar el colapso [15], [16].  
⎯
Optimizador  
Adam:  
mejora  
significativamente la velocidad de  
convergencia y la estabilidad del  
478  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (17) 2026. ISSN: 2697-3693  
Aplicación de la Red Generativa Adversarial condicional para la generación de soluciones arquitectónicas.  
⎯
Aumento  
Jittering):  
de  
Datos  
(Data  
Generador por su parte aprende  
exclusivamente a través de la  
retroalimentación del discriminador,  
basándose en la incapacidad del  
discriminador para detectar la  
falsificación (Fig. 4) [16].  
permite  
realizar  
variantes y aumentar el tamaño  
de datos con  
redimensionamiento y giros a las  
imágenes. [20]  
⎯
LeakyReLU (Stack de bajada  
Entornos de programación  
“downsampling”  
del  
Discriminador):  
permite  
un  
Un modelo Gan, al ser una red  
neuronal adversarial que manipula  
grandes cantidades de datos  
pequeño gradiente positivo para  
los valores negativos, evitando  
que "mueran" (se vuelvan cero)  
durante el entrenamiento, lo que  
produce mejores resultados en el  
stack de bajada [15], [20].  
necesita  
de  
lenguajes  
de  
programación y bibliotecas que le  
permitan empaquetar y abstraer  
funciones complejas detrás de las  
redes en líneas de código  
importables [16]. La forma correcta  
de ejecutar estos modelos responde  
a la necesidad de componentes de  
software y hardware, tales como el  
uso de librerías de TensorFlow,  
compatibles con sistemas operativos  
a Linux, Android e iOS [24]. En  
⎯
ReLU  
(Stack  
de  
subida  
“Upsampling” del Generador):  
reconstruye y genera la imagen  
de salida, proporcionando un  
aprendizaje eficiente en las  
capas upsampling de la red [15],  
[
20].  
Finalmente, el proceso interno de la  
red termina con una retro-  
propagación de valores que recae en  
el discriminador, es decir el  
discriminador recibe un mini-lote  
compuesto por datos reales (y) y  
datos falsos (x*) producidos por el  
generador y mediante la función de  
perdida determina qué tan lejos  
están sus predicciones de las reales  
cuanto  
a
hardware  
las  
características de procesamiento  
deben ser de al menos un  
procesador Intel Core i7 de 12  
núcleos y una tarjeta gráfica Nvidia  
RTX 2060 con 6 GB de memoria  
[
25]. Ante estas limitaciones el  
modelo cGan puede ejecutarse en  
entornos de nube gratuito como  
Google Colab, entorno que permite  
una interacción directa entre Google  
(1 para real, 0 para falso). El  
479  
Baque-De Los Santos. (2026)  
drive para la integración de datos y  
corresponsal, a esto se lo denomina  
una iteración, pero se considera una  
almacenamiento,  
además  
de  
solucionar problemas locales de  
hardware y de cómputo. En él, el  
modelo genera muestras a partir de  
iteraciones, es decir el modelo toma  
“buena”  
muestra  
cuando  
ha  
completado un sin número de  
iteraciones a la cual se le define  
como época [7].  
una  
imagen  
y
genera  
su  
Figura 4. Arquitectura de entrenamiento del modelo cGan. Elaboración propia.  
3. Resultados y discusión  
muestras  
con  
una  
fidelidad  
coherente a la “condición” que se  
Se estableció al modelo presentar  
muestras (imágenes hibridas), en las  
épocas 100, 200 y 400 (Figs. 5-8).  
Se observa que en la época 400 el  
modelo es capaz de generar  
estableció en el Dataset, asignando  
colores correctamente  
a
cada  
elemento y la lógica jerárquica de  
distribución: Entrada-zona común  
central-zonas privadas.  
Figura 1. Plano de planta 1 con épocas 100, 200 y 400. Elaboración propia  
100  
200  
400  
480  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (17) 2026. ISSN: 2697-3693  
Aplicación de la Red Generativa Adversarial condicional para la generación de soluciones arquitectónicas.  
Figura 2. Plano de planta 2 con épocas 100, 200 y 400. Elaboración propia  
100  
200  
300  
Figura 3. Plano de planta 3 con épocas 100, 200 y 400. Elaboración propia  
100  
200  
400  
Figura 4. Plano de planta 4 con épocas 100, 200 y 400. Elaboración propia  
100  
200  
400  
481  
Baque-De Los Santos. (2026)  
Discusión  
usuario, los desafíos por controlar y  
obtener imágenes coherentes  
El desarrollo y uso de modelos  
siguen siendo un obstáculo en la  
parte generativa de diseños que  
requieren características técnicas y  
normativas [28], [29].  
generativos,  
importante  
juega  
para  
un  
papel  
modeladores,  
especialmente en arquitectura e  
ingeniería, clasificándose como:  
modelos para tareas específicas  
La investigación destaca y corrobora  
que el desafío de generar imágenes  
congruentes y fieles al objetivo  
depende de la calidad del conjunto  
de imágenes [19], el cual se basa en  
definir anticipadamente criterios  
técnicos y acorde al objeto de  
(task-specific models) y modelos  
base (foundation models) [13]. En la  
actualidad son conocidos los  
modelos Dall-e, Imagen, y Stable  
diffusión dentro de la categoría de  
modelos base, los cuales son  
usados principalmente para la  
generación de imagen, sin conocer  
que estos modelos nacen a partir de  
una arquitectura de entrenamiento  
de modelos de difusión [26], [27].  
investigación,  
permitiéndole  
al  
modelo no solamente a replicar  
formas, sino a integrar criterios  
dentro de sus muestras. Y no  
siempre depende del manejo grande  
de datos mayores a 1000 pares de  
imágenes [30].  
El principal problema de estas  
herramientas  
para  
generar  
imágenes es que Dall-e e Imagen  
están diseñadas y evaluadas para  
maximizar la atención del usuario y  
el atractivo visual, más que la  
El riesgo de generalización por parte  
del  
generador  
durante  
el  
redimensionamiento de imágenes  
para dataset pequeños también es  
una expectativa o problema que se  
puede esperar, es decir como la  
cantidad de imágenes es limitada  
para el entrenamiento, el modelo  
cGan tiende a enfocarse demasiado  
en la correlación entre las imágenes  
de entrada y la imagen objetivo, lo  
que tiende a fallar en aprender “la  
distribución completa”, cuando se  
precisión técnica, funcional  
o
normativa [26], [27]. Y aunque en  
arquitectura estos modelos se hayan  
integrado a otros, tales Chatgpt,  
Gemini, Midjourney y Nano banana (  
grandes modelos de lenguaje) para  
afinar resultados mediante técnicas  
de “text-to-image” partir de  
a
instrucciones (prompts) dadas por un  
482  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (17) 2026. ISSN: 2697-3693  
Aplicación de la Red Generativa Adversarial condicional para la generación de soluciones arquitectónicas.  
ejecuta el modelo o imágenes no  
vistas [31]. En ese sentido, para  
mitigar la escasez de datos sugieren  
técnicas como la de aumento de  
datos (Data Jittering) [20].  
como la adquisición y depuración de  
datos.  
Aunque  
el  
desafío  
ajenos  
para  
la  
profesionales  
a
programación es el uso y la  
implementación de modelos de  
lenguaje, se demuestra que estas  
herramientas pueden automatizar  
Otra observación durante el proceso  
de entrenamiento del modelo que se  
notó fue que los entornos de nube  
también son susceptibles a sufrir  
problemas de cómputo al ser  
entornos gratuitos, tales como: el  
tiempo de espera o tiempo de  
tareas mecánicas repetitivas,  
y
permitiendo los arquitectos  
a
concentrarse en la evaluación de  
variantes y en la toma de decisiones  
conceptuales.  
ejecución  
agotado.  
Bajo  
esa  
circunstancia el uso de otras  
plataformas como kaggle son una de  
El modelo cGAN probó ser capaz de  
generar planos que respetan la  
lógica de distribución interna y la  
organización funcional, manteniendo  
una alta concordancia con las  
imágenes objetivo y los requisitos  
las  
alternativas,  
pero  
con  
consideraciones de edición en los  
códigos de integración de datos,  
rutas  
de  
revisiones  
para  
y
futuras  
red  
almacenamiento  
implementaciones  
generativa.  
normativos. la  
investigación valida que las GANs  
son directamente aplicables  
adaptables los objetivos  
Además,  
de  
la  
y
a
4. Conclusiones  
individuales de cada proyecto  
arquitectónico.  
El estudio concluye que la  
implementación de redes neuronales  
generativas, específicamente el  
modelo cGAN, representa una  
alternativa viable y eficiente para  
diseños de soluciones arquitectónica  
a pesar de tener partes extensas  
Contribuciones de los autores  
Baque Patricio: Conceptualización  
(
desarrollo del marco investigativo y  
referencias sobre la aplicación del  
modelo cGAN en arquitectura);  
Formalización de datos; Análisis  
483  
Baque-De Los Santos. (2026)  
formal; Metodología (creación y  
depuración de una base de datos de  
Bibliografía  
[
1] Jiang, H., Xiao, Y., Hurley, R., Liu,  
S. (2023). The Impact of  
Generative AI on Architectural  
400 pares de imágenes para el  
entrenamiento del modelo  
Conceptual  
Design:  
generativo); Software (uso de  
AutoCAD para la modelación de  
Perfomance, Creative Self-  
Efficacy and Cognitive Load.  
https://doi.org/10.48550/arXiv  
.2601.10696  
planos,  
IrfanView  
para  
el  
redimensionamiento de pixel en lotes  
y el entorno de nube Google Colab  
para la implementación y ejecución  
del modelo cGAN); Análisis e  
interpretación de datos; Redacción,  
revisión y edición.  
[
2] De Miguel Rodríguez, J., Villafañe  
M. E., Piškorec, L, Sancho  
Caparrini,  
Generation  
interpolations  
types with deep variational  
F.  
of  
(2020).  
geometric  
building  
of  
autoencoders.  
Science.  
Design  
Declaración de disponibilidad de  
datos  
https://doi.org/10.1017/dsj.20  
0.31  
2
•
El modelo generativo usado  
en la investigación, además  
del referenciado en el cuerpo  
de la investigación está  
disponible en el repositorio  
Zenodo con acceso abierto:  
https://doi.org/10.5281/zenod  
o.20085663  
[
3] Zhong, C., Shi, Y., Cheung, L. H.,  
Wang, L. (2024). AI-Enhaced  
performarmative  
design optimization  
building  
and  
exploration. Proceedings of  
the 29th International  
Conference of the Association  
for  
Computer-Aided  
Design  
Architectural  
Research in Asia (CAADRIA),  
59-68.  
1,  
•
El dataset está disponible  
previa solicitud al autor (en  
casos excepcionales)  
https://doi.org/10.52842/conf.  
caadria.2024.1.059  
[
4] Zhuang, J., Li, G., Xu, H., Xu, J.,  
Tian, R. (2024). Text-to-City:  
Controllable 3D Urban Block  
Generation  
with  
Latent  
Diffusion Model. Proceedings  
of the 29th International  
Conference of the Association  
for  
Computer-Aided  
484  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (17) 2026. ISSN: 2697-3693  
Aplicación de la Red Generativa Adversarial condicional para la generación de soluciones arquitectónicas.  
Architectural  
Research in Asia (CAADRIA),  
169-178.  
https://doi.org/10.52842/conf.  
caadria.2024.2.169  
Design  
Design Research in Asia  
(CAADRIA), 1, 139-148.  
https://doi.org/10.52842/conf.  
caadria.2023.1.139  
2,  
[
9] Lin, H., Huang, L., Chen, Y.,  
Zheng, L., Huang, M., Chen,  
Y. (2023). Research on the  
application of CGAN in the  
Design of historic Building  
Facades in Urban Renewal-  
Taking Fujian Putian Historic  
District as an example, China,  
[
[
[
5] Zeng, P., Gao, W., Yin, J., Xu, P.,  
Lu, S. (2024). Residential floor  
plans:  
Muti-conditional  
automatic generation using  
diffusion models. Automation  
in  
Construction,  
162.  
https://doi.org/10.1016/j.autco  
n.2024.105374  
Buildings,  
13(6),  
1478.  
https://doi.org/10.3390/buildin  
gs13061478  
6] Zhang, H., Zhang, R. (2025).  
Generating accesible multi-  
occupancy floor plans with  
fine-graind control using a  
diffusion model. Automation in  
[10] Gu, Y., Huang Y., Liao W., Lu, X.  
(2024). Intelligent design of  
shear wall layout based on  
diffusion models. Computer-  
Aided Civil and Infrastructure  
Engineering, 39, 3610-3625.  
https://doi.org/10.1111/mice.1  
construccion,  
177.  
https://doi.org/10.1016/j.autco  
n.2025.106332  
7] Karadag, I., Güzelci, O. Z.,  
Alacam, S. (2023). EDU-AI: a  
twofold machine learning  
model to support classroom  
3236  
[11] Kösenciğ, K. Ö., Okuyucu, E. B.,  
Balaban, Ö. (2024). Structural  
Plan Schema Generation  
layout  
Construction  
Information  
generation.  
Innovation:  
Process  
Through  
Generative  
Adversarial Networks. Nexus  
Network Journal, 26, 409-427.  
10.1007/s00004-024-00766-z  
Management, 23(4), 898-914.  
https://doi.org/10.1108/CI-02-  
2022-0034  
[
12] Leng, H., Gao, Y., Zhou, Y.  
[
8] Zhang, J., Fukuda, T., Yabuki, N.,  
Li, Y. (2023). Synthesizing  
(2024). ArchiDiffusion:  
A
novel  
diffusion  
model  
style-similar  
residential  
connecting  
layout  
sketches to Wall Design.  
Journal  
Engineering,  
architectural  
facade from semantic labeling  
according to the User-  
provided example. HUMAN-  
CENTRIC, Proceedings of the  
generation  
from  
of  
Building  
98.  
2
8th International Conference  
of the Asociation for  
Computer-Aided Architectural  
https://doi.org/10.1016/j.jobe.  
2024.111373  
485  
Baque-De Los Santos. (2026)  
[
13] Li, C., Zhang T., Du, X., Zhang  
Y., Xie, H. (2025). Generative  
AI models for differente steps  
in architectural design: A  
literature review. Frontiers of  
Architecturl Research, 14(3),  
Fabrication (CDRF), p. 117-  
127, 2019.  
https://papers.cumincad.org/d  
ata/works/att/artificial_intellice  
nce2019_117.pdf  
[
18] Shi, Y.; Hong, T. C. (2026).  
Benchmarking pix2pix on floor  
Plans: Shape Grammar as a  
Deterministic Standard for  
Models Limits. In Conference  
7
59-783.  
https://doi.org/10.1016/j.foar.  
024.10.001  
2
[
14] Goodfellow, I. J., Pouget-  
Abadie, J., Mirza, M., Xu, B.,  
Warde-Farley, D., Ozair, S.,  
Courville, A., Bengio, Y.  
Paper:  
CAADRIA.  
https://www.researchgate.net/  
publication/403581693_Benc  
hmarking_pix2pix_on_Floor_  
Plans_Shape_Grammar_as_  
a_Deterministic_Standard_for  
_Model_Limits  
(
2014).  
Generative  
Nets.  
Adversarial  
https://doi.org/10.48550/arXiv  
1406.2661  
.
[
15] Jabbar, A., Li, X., Omar, B. A.  
2020). Survey on  
[19] Guo, Y., Fang, T., Cui, Z.,  
Stouffs, R. (2025). A dual-  
aspect evaluation framework  
for architectural-like plan  
generation via pix2pix series  
(
A
Generative  
Networks:  
Adversarial  
variants,  
application, and training. ACM  
Computing Surveys (CSUR),  
algorithms.  
Architectural Research, 14  
(6), 1516-1535.  
https://doi.org/10.1016/j.foar.  
025.04.006  
Frontiers  
of  
54(8), 1-49.  
https://doi.org/10.1145/34634  
75  
2
[
16] Langr, J., Bok, V. (2019). GANs  
in Action: Deep learning with  
[20] Isola, P., Yan-Zhu, J., Zhou, T.,  
Efros, A. A. (2018). Image-to-  
Generative  
Networks.  
Adversarial  
MANNING.  
Image  
Translation  
with  
https://dokumen.pub/gans-in-  
action-deep-learning-with-  
generative-adversarial-  
networks  
Contional  
Networks.  
https://doi.org/10.48550/arXiv  
.1611.07004  
Adversarial  
[
17] Chaillou, S. (2019). ArchiGAN:  
[21]  
Центр  
методологии  
Artificial  
Architecture.  
Intelligece  
x
нормарования  
стандартизации  
и
в
Architectural  
Intellugence: Selected Papers  
from the 1st International  
Conference on Computational  
строительстве (ФГУП ЦНС),  
(2005). СП 31-107-2004:  
Архитектурно-  
Design  
and  
Robotic  
Планировочные  
решения  
486  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 9 Núm. (17) 2026. ISSN: 2697-3693  
Aplicación de la Red Generativa Adversarial condicional para la generación de soluciones arquitectónicas.  
многоквартирных  
зданий.  
https://ohranatruda.ru/upload/  
iblock/9de/4294813059.pdf  
жилых  
Москва.  
Sanchez, B. B., Serradilla, F.  
(2021). Generative Learning  
for Postprocessing Semantic  
Segmentation Predictions: A  
Lightweight  
Generative  
Network Based on Pix2Pix to  
Improve the Extraction of  
Conditional  
Adversarial  
[
22]  
Центральный  
исследовательский  
проектно-  
научно-  
и
экспериментальный  
Road  
Surface  
Areas,  
10(1).  
институт  
зданий  
промышленных  
buildings,  
и
сооружений.  
https://doi.org/10.3390/land10  
10079  
(
2022). СП 118.13330.2022:  
Общественные здания  
сооружения.  
0
и
[26] Betker, J., Goh, G., Jing, L.,  
Brooks, T., Wang, J., Li, L.,  
Ouyang, L., Zhuang, J., Lee,  
J., Guo, Y., Manassra, W.,  
Dhariwal, P., Chu, C., Jiao, Y.  
https://rkc56.ru/attach/orenbu  
rg/docs/Gosstandart_RF/sp_  
118_13330_2022_.pdf  
[
23] Министерство строительства  
и жилишно-коммунального  
(2023). Improving Image  
Generation  
Captions.  
https://cdn.openai.com/paper  
s/dall-e-3.pdf  
with  
Better  
хозяйства  
федерации. (2022). СП 54-  
3330.2022: Здания жилые  
российской  
1
многоквартирные. Москва.  
https://rkcson-  
[27] Imagen 3 Team Google (2024).  
kbr.ru/images/docs/dostup_sr  
eda/sp_54133302022.pdf  
Imagen 3.  
https://doi.org/10.48550/arXiv  
2408.07009  
.
[
24] Abadi, M., Barham, P., Chen, J.,  
Chen, Z., Davis, A., Dean, J.,  
Devin, M., Ghemawat, S.,  
Irving, G., Isard, M., Kudlur,  
M., Levenberg, J., Monga, R.,  
Moore, S., Murray D. G.,  
Steiner, B., Tucker, P.,  
Vasudevan, V., Warden, P.,  
Wicke, M., Yu, Y., Zheng, X.  
[28] Horvath, A.S., Pouliou, P.  
(2024). AI for conceptual  
architecture: Reflections on  
designing with text-to-text,  
text-to-imagen, and image-to-  
image generators. Frontiers of  
Archiectural Research, 13(3),  
593-612.  
(
2016). TensorFlow: A system  
for large-scale machine  
laerning.  
https://doi.org/10.48550/arXiv  
1605.0869  
https://doi.org/10.1016/j.foar.  
2024.02.006  
[
29] Chen, J., Wang, D., Shao, Z.,  
Zhang, X., Ruan, M., Li, H., Li,  
J. (2023). Usign Artificial  
.
[
25] Cira, C., Manso-Callejo, M.,  
Alcarria, R., Pareja, T. F.,  
intelligence  
Master-Quality Architectural  
to  
generate  
487  
Baque-De Los Santos. (2026)  
Designs  
from  
text  
Descriptions. buildings, 13(9),  
285.  
2
https://doi.org/10.3390/buildin  
gs13092285  
[
30] Rodriguez, R. C., Duarte, R. B.  
(2022). Generating floor plans  
with deep learning: A croos-  
validation assessment over  
different  
International  
dataset  
Journal  
sizes.  
of  
Archutectural  
0(3),  
Computing,  
630-644.  
2
https://doi.org/10.1177/14780  
71221120842  
7
[
31] Nadari, M., Karami, N., Emami,  
A., Shirani, S., Samavi, S.  
(2022).  
Dynamic-Pix2Pix:  
Noise Injected cGan for  
Modeling Input and Target  
Domain Joint Distributions  
with Limited Trainig Data.  
https://doi.org/10.48550/arXiv  
.
2211.08570  
488