感知空间层级与人类指令的自动化城市规划

传统城市规划需要城市专家在许多建筑约束下耗费大量时间与精力以产出最优城市规划。深度生成式学习的卓越想象能力为革新城市规划提供了希望。尽管自动化城市规划器已被研究,它们受限于以下几点:1) 忽视城市规划中的人类需求;2) 忽略城市规划中的空间层级;3) 缺乏大量城市规划数据样本。为克服这些局限,我们提出了一种新颖的、深度的、人类指令驱动的城市规划器。在初步工作中,我们将其构建为编码器-解码器范式。编码器用于学习周边上下文、人类指令与土地利用配置的信息分布。解码器用于重建土地利用配置及相关的城市功能区。重建过程将捕获功能区与空间网格之间的空间层级。同时,我们引入变分高斯机制以缓解数据稀疏问题。尽管早期工作已取得良好结果,但由于空间层级的捕获方式可能导致不清晰的优化方向,生成性能仍不稳定。在本期刊版本中,受城市专家工作流启发,我们提出一种基于生成对抗网络(GANs)的级联深度生成框架来解决该问题。具体而言,第一个 GAN 旨在基于人类指令与周边上下文信息构建城市功能区。第二个 GAN 将基于已构建的功能区生成土地利用配置。此外,我们提供条件增强模块以增广数据样本。最后,我们进行了广泛实验以验证我们工作的有效性。