本研究提出了一种新方法，通过引入不平衡占用损失和架构，解决大规模城市场景中的占用估计问题，提升NeRF训练的速度和占用信息的准确性与紧凑性。

介绍了CityLLaVA微调框架，用于城市场景的视觉语言模型，通过边界框进行最佳视觉数据预处理，提高指令理解和预测准确性，实验结果领先。

StyleCity是一种以语义意识的方式对城市场景进行风格化的方法，通过图像和文本生成谐和的全方位天空背景，提供更沉浸式的氛围。实验结果显示StyleCity在性能和用户偏好方面表现出卓越性能。

该研究提出了解决图像翻译偏差问题的新框架，通过目标到源的翻译和预测标签中的重构实现。实验结果表明，该方法在城市场景理解中表现良好。