DeepShade：基于文本条件图像生成实现遮阳模拟
计算机视觉与模式识别
2025-09-09 v4 计算机与社会
摘要
高温潮热对公共健康构成严重威胁，尤其随着全球变暖的加剧。然而，当前导航系统（如在线地图）未能融合遮阳信息，主要原因在于：从噪声较大的卫星影像直接估计遮阳区域困难，且生成模型缺乏训练数据。本文通过两大主要贡献来解决上述挑战。首先，构建了涵盖多样纬度经度区域、建筑密度程度以及不同城市布局的广泛数据集。基于 Blender 的 3D 模拟与建筑轮廓线，捕捉到在全年不同太阳仰角以及一天中不同时间的建筑阴影。这些模拟阴影与卫星影像对齐，为学习阴影模式提供了丰富资源。其次，提出 DeepShade，一种基于扩散模型的方案，用于学习和综合生成阴影随时间的变化。该方法强调边缘特征细微差别，同时将 RGB 与 Canny 边缘层联合考量，并引入对比学习以捕捉阴影时间变化规律。此外，基于已知条件（如时间、太阳角度等）的文本描述进行条件化，可提升生成阴影图像的性能。我们通过将阴影预测结果用于 Tempe,亚利桑那州的实际路径规划计算遮阳比例，展示了方法的实际价值。我们相信本工作将为极端气候天气下的城市规划提供参考，并在环境领域的实际应用中发挥潜在作用。
引用
@article{arxiv.2507.12103,
title = {DeepShade: Enable Shade Simulation by Text-conditioned Image Generation},
author = {Longchao Da and Xiangrui Liu and Mithun Shivakoti and Thirulogasankar Pranav Kutralingam and Yezhou Yang and Hua Wei},
journal= {arXiv preprint arXiv:2507.12103},
year = {2025}
}
备注
7pages, 4 figures