用于城市生成及应用的树状自编码器
计算机视觉与模式识别
2023-09-29 v1
摘要
城市建模与生成在包括游戏、城市规划和自动驾驶在内的多种应用中引起了日益增长的兴趣。与先前聚焦于单一物体或室内场景生成的工作不同，城市中海量空间数据对生成模型提出了挑战。此外，极少有公开可用的 3D 真实世界城市数据集也阻碍了城市生成方法的发展。在本文中，我们首先为纽约、苏黎世、东京、柏林、波士顿及其他若干大城市收集了超过 3,000,000 个地理参考物体。基于该数据集，我们提出 AETree，一种树状结构的自编码器神经网络，用于城市生成。具体而言，我们首先提出一种新颖的空间-几何距离(SGD)度量来衡量建筑布局之间的相似性，并基于 SGD 度量在原始建筑几何数据上构建二叉树。接下来，我们提出一种树状结构网络，其编码器自底向上迭代地学习提取并合并空间信息。所得的全局表征被反向解码用于重建或生成。为解决树层级增加时出现的长依赖问题，采用长短期记忆(LSTM)单元作为所提 AETree 的基本网络单元。此外，我们引入一种新度量——重叠面积比(OAR)，以定量评估生成结果。在收集数据集上的实验证明了所提模型在 2D 与 3D 城市生成上的有效性。进而，AETree 学习到的潜在特征可服务于下游城市规划应用。
引用
@article{arxiv.2309.15941,
title = {AutoEncoding Tree for City Generation and Applications},
author = {Wenyu Han and Congcong Wen and Lazarus Chok and Yan Liang Tan and Sheung Lung Chan and Hang Zhao and Chen Feng},
journal= {arXiv preprint arXiv:2309.15941},
year = {2023}
}