La preservación de conjuntos arquitectónicos tradicionales históricos enfrenta desafíos multifacéticos, y la necesidad de renovación y actualización de fachadas se ha vuelto cada vez más prominente. En los procesos convencionales de actualización y renovación arquitectónica, la evaluación de esquemas de diseño y el componente de rediseño suelen ser largos y laboriosos. El método basado en el conocimiento utiliza una amplia gama de recursos de conocimiento, como documentos históricos, dibujos arquitectónicos y fotografías, que se utilizan comúnmente para guiar y optimizar la conservación, restauración y gestión del patrimonio arquitectónico. Recientemente, la aparición de tecnologías de contenido generado por inteligencia artificial (AIGC) ha proporcionado nuevas soluciones para la creación de fachadas arquitectónicas, introduciendo un nuevo paradigma de investigación en los planes de renovación de distritos históricos con su variedad de opciones y alta eficiencia. En este estudio, proponemos un flujo de trabajo que combina Grasshopper con Stable Diffusion: comenzando con Grasshopper para generar dibujos lineales concisos, luego utilizando los modelos ControlNet y adaptación de bajo rango (LoRA) para producir imágenes de fachadas arquitectónicas tradicionales de Minnan, permitiendo a los diseñadores previsualizar y modificar rápidamente los diseños de fachadas durante la renovación de grupos arquitectónicos tradicionales. Nuestros resultados de investigación demuestran la comprensión y capacidad de ejecución precisas de Stable Diffusion en relación con los elementos de la fachada arquitectónica, capaz de generar fachadas arquitectónicas tradicionales regionales que cumplen con los requisitos de los arquitectos en cuanto a estilo, tamaño y forma, basándose en imágenes existentes y descripciones de indicaciones, revelando el inmenso potencial de aplicación en la renovación de grupos arquitectónicos tradicionales y distritos históricos. Cabe señalar que la correlación entre imágenes arquitectónicas específicas y términos de indicación propietarios aún requiere una mayor adición debido a las limitaciones de la base de datos. Aunque el modelo generalmente funciona bien cuando se entrena en edificios antiguos tradicionales chinos, la precisión y claridad de las partes decorativas más complejas aún necesitan mejoras, lo que requiere una mayor exploración de soluciones para manejar los detalles de la fachada en el futuro.