UrbanGenAI：利用全景分割和扩散模型重建城市景观
内容提要
本文综述生成式AI在城市设计与规划中的应用，重点介绍结合GAN与稳定扩散模型构建的全流程公园生成设计方法：提取城市环境信息、生成方案、优化细节并将分辨率扩大64倍。结果表明，场地内外关系影响生成结果，稳定扩散显著提升信息丰富度。扩散模型还用于卫星图像修复、城市流量预测、三维场景生成及土地利用配置等领域。
延伸解读
生成式AI在城市设计中的研究空白与突破
文章指出当前生成设计研究存在两个空白：一是多数研究只关注设计元素间关系，忽视场地外部信息；二是GAN等传统算法生成结果分辨率低、细节不足。为此，作者结合GAN与稳定扩散模型，构建了全过程公园生成设计方法，实现了从城市环境信息提取到方案生成、细节优化及分辨率提升的自动化流程。
稳定扩散模型对生成质量的关键提升
研究表明，场地内外关系会影响算法生成结果，而稳定扩散模型相比传统GAN显著提高了生成结果的信息丰富度。该方法通过稳定扩散优化设计方案，填充细节，并将分辨率扩大64倍，从而解决了传统生成算法分辨率低、细节不足的问题，实现了完全无人化的设计自动化工作流程。
扩散模型在城市规划中的多元应用
扩散模型还被应用于卫星图像修复、城市流量预测、三维场景生成及土地利用配置等领域。例如，利用扩散模型进行云去除和图像修复、生成变化检测数据集、预测无历史流量区域的动态交通、从卫星图像生成逼真街景，以及通过深度生成学习实现土地利用自动配置，展示了其在城市规划和地球观测中的广泛潜力。
Q&A
UrbanGenAI 如何利用全景分割和扩散模型重建城市景观？
UrbanGenAI 结合了 GAN 和稳定扩散模型，构建了一个全过程公园生成设计方法：首先通过高精度遥感目标提取系统自动提取城市环境信息；然后利用 GAN 基于外部环境生成公园设计方案；最后引入稳定扩散优化设计方案，填充细节并将分辨率扩大 64 倍。
UrbanGenAI 解决了现有生成设计中的哪些研究空白？
UrbanGenAI 解决了两个研究空白：1）大多数研究只关注设计元素之间的关系，对场地的外部信息关注较少；2）GAN 和其他传统生成算法生成的结果分辨率低、细节不足。
稳定扩散模型在 UrbanGenAI 中起到了什么作用？
稳定扩散模型用于优化 GAN 生成的公园设计方案，填充细节，并将方案的分辨率扩大 64 倍。与传统的 GAN 算法相比，稳定扩散显著提高了生成结果的信息丰富度。
UrbanGenAI 的研究结果有哪些主要发现？
研究结果表明：1）场地内外的关系将影响算法生成结果；2）与传统的 GAN 算法相比，稳定扩散显著提高了生成结果的信息丰富度。
扩散模型在城市规划和设计领域还有哪些其他应用？
扩散模型还用于卫星图像修复（如云去除和图像修复）、城市流量预测（生成没有历史流量数据区域的动态城市流量）、三维场景生成（从卫星图像生成逼真街景图像序列和跨视角城市场景）以及土地利用配置（通过深度生成学习和人类指导生成网格水平的土地利用配置）。
UrbanGenAI 的方法如何实现完全无人化的设计自动化？
UrbanGenAI 通过三个步骤实现完全无人化的设计自动化：1）构建高精度遥感目标提取系统，自动提取城市环境信息；2）利用 GAN 构建基于外部环境的公园设计生成系统，从城市环境信息中迅速推断和生成设计方案；3）引入稳定扩散优化设计方案，填充细节并扩大分辨率。整个流程无需人工干预。
