BriefGPT - AI 论文速递
·
城市建筑师：带有布局先验的可操控的三维城市场景生成
💡
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文介绍了多种基于3D扩散模型和图注意力网络的城市场景生成方法，如UrbanDiffusion、CityGen和CityDreamer。这些方法结合实际驾驶数据、图卷积网络和预训练模型，实现了高质量、可控的三维城市布局生成，展现了在智慧城市和城市规划中的应用潜力。
🎯
关键要点
- UrbanDiffusion利用Bird's-Eye View地图条件生成具有几何和语义的城市场景，能够生成多样性的城市场景并扩展到任意规模。
- 通过大型语言模型和图卷积网络提取图特征，结合IoU正则化损失，UrbanDiffusion在SG-FRONT数据集上取得了更好的三维场景合成效果。
- CityGen是一种新颖的端到端框架，支持生成无限、多样且可控的三维城市布局，具有广泛的应用前景。
- CityDreamer通过将建筑实例生成与背景对象分离，解决了生成3D城市的挑战，并通过OSM和GoogleEarth数据集增强布局和外观的真实性。
- 研究提出使用部分图像和文本提示控制生成多模态条件下的3D场景，证明该方法在生成多领域3D场景方面的有效性。
- SceneWiz3D通过混合的3D表示从文本合成高保真度3D场景，并使用粒子群优化技术配置场景布局，实现详细且视角一致的3D场景生成。
❓
延伸问答
UrbanDiffusion是如何生成城市场景的？
UrbanDiffusion利用Bird's-Eye View地图条件生成具有几何和语义的城市场景，并通过实际驾驶数据训练，实现多样性和可扩展性。
CityGen的主要特点是什么？
CityGen是一种端到端框架，支持生成无限、多样且可控的三维城市布局，具有广泛的应用前景。
CityDreamer如何解决生成3D城市的挑战？
CityDreamer通过将建筑实例生成与背景对象分离为不同模块，增强了生成3D城市的布局和外观的真实性。
SceneWiz3D是如何生成高保真度3D场景的？
SceneWiz3D通过混合的3D表示从文本合成高保真度3D场景，并使用粒子群优化技术配置场景布局。
这些城市场景生成方法在智慧城市中有什么应用潜力？
这些方法在智慧城市和城市规划中具有广泛的应用潜力，能够支持高质量的城市布局设计和模拟。
如何通过多模态条件生成3D场景？
通过使用部分图像、顶视图布局信息和文本提示，结合预训练模型，可以在多模态条件下生成3D场景。
➡️
