論文の概要: Deep Human-guided Conditional Variational Generative Modeling for Automated Urban Planning

• arxiv url: http://arxiv.org/abs/2110.07717v1
• Date: Tue, 12 Oct 2021 15:45:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-24 03:45:16.554032
• Title: Deep Human-guided Conditional Variational Generative Modeling for Automated Urban Planning
• Title（参考訳）: 都市自動計画のための深層誘導条件変分生成モデル
• Authors: Dongjie Wang, Kunpeng Liu, Pauline Johnson, Leilei Sun, Bowen Du, Yanjie Fu
• Abstract要約: 都市計画は土地利用形態を設計し、居住可能で持続可能で安全なコミュニティの構築に役立てることができる。 画像生成にインスパイアされた深層都市計画は、深層学習を活用して土地利用構成を生成することを目的としている。 本稿では, 上記の課題を共同で解決するための, 深層都市計画手法について検討する。
• 参考スコア（独自算出の注目度）: 30.614010268762115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban planning designs land-use configurations and can benefit building livable, sustainable, safe communities. Inspired by image generation, deep urban planning aims to leverage deep learning to generate land-use configurations. However, urban planning is a complex process. Existing studies usually ignore the need of personalized human guidance in planning, and spatial hierarchical structure in planning generation. Moreover, the lack of large-scale land-use configuration samples poses a data sparsity challenge. This paper studies a novel deep human guided urban planning method to jointly solve the above challenges. Specifically, we formulate the problem into a deep conditional variational autoencoder based framework. In this framework, we exploit the deep encoder-decoder design to generate land-use configurations. To capture the spatial hierarchy structure of land uses, we enforce the decoder to generate both the coarse-grained layer of functional zones, and the fine-grained layer of POI distributions. To integrate human guidance, we allow humans to describe what they need as texts and use these texts as a model condition input. To mitigate training data sparsity and improve model robustness, we introduce a variational Gaussian embedding mechanism. It not just allows us to better approximate the embedding space distribution of training data and sample a larger population to overcome sparsity, but also adds more probabilistic randomness into the urban planning generation to improve embedding diversity so as to improve robustness. Finally, we present extensive experiments to validate the enhanced performances of our method.
• Abstract（参考訳）: 都市計画は土地利用構成を設計でき、居住可能で持続可能な安全なコミュニティを構築することができる。 画像生成にインスパイアされた深層都市計画は、深層学習を活用して土地利用構成を生成することを目的としている。 しかし、都市計画は複雑なプロセスである。 既存の研究では、計画におけるパーソナライズされた人間指導の必要性や、計画生成における空間階層構造は無視されている。 さらに、大規模な土地利用構成サンプルの欠如は、データスパーシティの課題となる。 本稿では, 上記の課題を共同で解決するための, 深層都市計画手法について検討する。 具体的には、この問題を深い条件付き変分オートエンコーダベースのフレームワークに定式化する。 本研究では,深層エンコーダデコーダの設計を利用して土地利用構成を生成する。 土地利用の空間的階層構造を捉えるため,機能領域の粗粒層とPOI分布の微細粒層の両方を生成するデコーダを強制する。 人間の指導を統合するために、人間は必要なものをテキストとして記述し、これらのテキストをモデル条件入力として使用することができる。 トレーニングデータの分散を緩和し、モデルロバスト性を改善するため、変分ガウス埋め込み機構を導入する。 これにより、トレーニングデータの埋め込み空間分布をよりよく近似し、より大きな人口をサンプリングして疎結合を克服するだけでなく、都市計画世代に確率的ランダム性を加え、埋め込み多様性を改善し、堅牢性を向上させることができる。 最後に,提案手法の性能向上を実証するための実験を行った。

関連論文リスト

• StreetSurfGS: Scalable Urban Street Surface Reconstruction with Planar-based Gaussian Splatting [85.67616000086232]
  StreetSurfGSは、スケーラブルな街路景観の再構築に適したガウススプラッティングを利用するための最初の方法である。 StreetSurfGSは、平面ベースのオクツリー表現とセグメンテーショントレーニングを使用して、メモリコストを削減し、ユニークなカメラ特性に対応し、スケーラビリティを確保する。 スパースビューとマルチスケールの課題に対処するために、隣接する情報と長期情報を活用する2段階マッチング戦略を用いる。
  論文  参考訳（メタデータ） (2024-10-06T04:21:59Z)
• Simple Hierarchical Planning with Diffusion [54.48129192534653]
  拡散に基づく生成法は、オフラインデータセットによる軌跡のモデリングに有効であることが証明されている。 階層型および拡散型プランニングの利点を組み合わせた高速かつ驚くほど効果的な計画手法である階層型ディフューザを導入する。 我々のモデルは、より高いレベルで「ジャンピー」な計画戦略を採用しており、より大きな受容場を持つことができるが、計算コストは低い。
  論文  参考訳（メタデータ） (2024-01-05T05:28:40Z)
• Dual-stage Flows-based Generative Modeling for Traceable Urban Planning [33.03616838528995]
  本稿では,正規化フローに基づく新しい生成フレームワーク,すなわちDual-stage Urban Flowsフレームワークを提案する。 我々は、機能ゾーン間の関係を捉え、異なる側面の情報を融合するために、情報融合モジュールを使用します。 我々の枠組みは、都市計画作業における他の生成モデルよりも優れる。
  論文  参考訳（メタデータ） (2023-10-03T21:49:49Z)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• Human-instructed Deep Hierarchical Generative Learning for Automated Urban Planning [57.91323079939641]
  我々は,最適な都市計画を生成するために,人間に指示された新しい深層階層生成モデルを構築した。 最初の段階は、機能ゾーンを発見するために、目標領域の格子に遅延関数をラベル付けすることである。 第2の段階は、都市機能投影を形成するための計画要件を理解することである。 第3の段階は、マルチアテンションを活用して、機能プロジェクションのゾーン・ゾーン・ピア依存関係をモデル化し、グリッドレベルの土地利用構成を生成することである。
  論文  参考訳（メタデータ） (2022-12-01T23:06:41Z)
• Automated Urban Planning aware Spatial Hierarchies and Human Instructions [33.06221365923015]
  本稿では,GAN(Generative Adversarial Network)に基づく都市プランナを提案する。 GANは人間の指示や周囲の文脈からの情報に基づいて都市機能ゾーンを構築する。 作業の有効性を検証するため、広範な実験を行います。
  論文  参考訳（メタデータ） (2022-09-26T20:37:02Z)
• Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
  時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。 本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
  論文  参考訳（メタデータ） (2021-06-14T04:31:15Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• Reimagining City Configuration: Automated Urban Planning via Adversarial Learning [28.930624100994514]
  都市計画は、土地利用形態を設計する努力を指す。 近年のディープラーニングの進歩は、機械が人間の能力で学習し、土地利用構成を自動的かつ迅速に計算することができるか、という問いを提起する動機となっている。
  論文  参考訳（メタデータ） (2020-08-22T21:15:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。