FaceLift：一个用于美化城市场景的透明深度学习框架
计算机与社会
2020-01-17 v1
摘要
在计算机视觉领域，深度学习技术近来已被用于预测城市场景是否可能被认为美观：结果表明这些技术能够做出准确的预测。然而，在生成可用于城市设计的可操作见解方面，它们存在不足。为支持城市干预，需要超越预测美观性，并应对重塑美观性的挑战。遗憾的是，深度学习技术并非针对该挑战而设计。鉴于其“黑箱性质”，这些模型无法直接用于解释为何特定城市场景被视为美观。为部分解决该问题，我们提出了一个称为 FaceLift 的深度学习框架，它能够既美化现有城市场景（Google 街景）又解释哪些城市元素使那些转换后的场景变得美观。为定量评估我们的框架，我们无法借助任何现有指标（因为所研究的问题此前从未被处理过）而需要制定新指标。这些新指标理想上应捕捉使城市空间优良的元素之存在与否。通过对城市规划文献的回顾，我们确定了五个主要指标：步行友好性、绿地、开阔度、地标和视觉复杂度。我们发现，在所有五个指标上，美化后的场景均符合文献中关于优良空间构成要素的期望。该结果进一步由一项 20 人专家调查所确认，其中 FaceLift 被发现能有效促进公民参与。这一切表明，未来，随着我们框架的各组件得到进一步研究并变得更好、更复杂，不难想象能够准确高效支持建筑师和规划者设计我们直觉上喜爱的空间的技术。
引用
@article{arxiv.2001.05961,
title = {FaceLift: A transparent deep learning framework to beautify urban scenes},
author = {Sagar Joglekar and Daniele Quercia and Miriam Redi and Luca Maria Aiello and Tobias Kauer and Nishanth Sastry},
journal= {arXiv preprint arXiv:2001.05961},
year = {2020}
}