論文の概要: AutoEncoding Tree for City Generation and Applications

• arxiv url: http://arxiv.org/abs/2309.15941v1
• Date: Wed, 27 Sep 2023 18:36:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 19:06:27.157097
• Title: AutoEncoding Tree for City Generation and Applications
• Title（参考訳）: 都市生成のための自動エンコーディングツリーとその応用
• Authors: Wenyu Han, Congcong Wen, Lazarus Chok, Yan Liang Tan, Sheung Lung Chan, Hang Zhao, Chen Feng
• Abstract要約: 都市内の膨大な空間データが生成モデルに挑戦している。 公開されている3D都市データセットはほとんどなく、都市生成の方法の開発を妨げている。 本稿では,木構造自己エンコーダニューラルネットワークであるAETreeを提案する。
• 参考スコア（独自算出の注目度）: 33.364915512018364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: City modeling and generation have attracted an increased interest in various applications, including gaming, urban planning, and autonomous driving. Unlike previous works focused on the generation of single objects or indoor scenes, the huge volumes of spatial data in cities pose a challenge to the generative models. Furthermore, few publicly available 3D real-world city datasets also hinder the development of methods for city generation. In this paper, we first collect over 3,000,000 geo-referenced objects for the city of New York, Zurich, Tokyo, Berlin, Boston and several other large cities. Based on this dataset, we propose AETree, a tree-structured auto-encoder neural network, for city generation. Specifically, we first propose a novel Spatial-Geometric Distance (SGD) metric to measure the similarity between building layouts and then construct a binary tree over the raw geometric data of building based on the SGD metric. Next, we present a tree-structured network whose encoder learns to extract and merge spatial information from bottom-up iteratively. The resulting global representation is reversely decoded for reconstruction or generation. To address the issue of long-dependency as the level of the tree increases, a Long Short-Term Memory (LSTM) Cell is employed as a basic network element of the proposed AETree. Moreover, we introduce a novel metric, Overlapping Area Ratio (OAR), to quantitatively evaluate the generation results. Experiments on the collected dataset demonstrate the effectiveness of the proposed model on 2D and 3D city generation. Furthermore, the latent features learned by AETree can serve downstream urban planning applications.
• Abstract（参考訳）: 都市モデリングと生成は、ゲーム、都市計画、自動運転など様々な用途への関心が高まっている。 シングルオブジェクトや屋内シーンの生成に焦点を当てた以前の作品とは異なり、都市の膨大な空間データが生成モデルに挑戦している。 さらに、公開可能な3D都市データセットはほとんどなく、都市生成の方法の開発を妨げている。 この論文では、まずニューヨーク、チューリッヒ、東京、ベルリン、ボストン、その他の大都市の3万以上の地理参照オブジェクトを収集した。 このデータセットに基づいて,木構造の自動エンコーダニューラルネットワークであるAETreeを提案する。 具体的には,まず,建築レイアウト間の類似性を計測する新しい空間幾何学距離(sgd)メトリックを提案し,sgdメトリックに基づく建築の生幾何学データの上に二分木を構築する。 次に,エンコーダがボトムアップから空間情報を抽出し,マージすることを学ぶ木構造ネットワークを提案する。 結果のグローバル表現は、再構成や生成のために逆復号化される。 ツリーのレベルが増加するにつれて長期依存の問題に対処するため、提案するaetreeの基本ネットワーク要素としてlong short-term memory(lstm)セルを用いる。 さらに,生成結果を定量的に評価するために,OAR(Overlapping Area Ratio)という新しい指標を導入する。 収集したデータセットの実験により,提案モデルが2次元および3次元都市生成に与える影響が示された。 さらに、AETreeが学んだ潜在機能は、下流の都市計画アプリケーションに役立つ。

関連論文リスト

• COHO: Context-Sensitive City-Scale Hierarchical Urban Layout Generation [1.5745692520785073]
  都市規模の都市レイアウト生成のための新しいグラフベースのマスク付きオートエンコーダ(GMAE)を提案する。 この方法は、属性付き建物、都市ブロック、コミュニティ、都市を統一的なグラフ構造に符号化する。 提案手法は,米国330都市における異質な都市スタイルにおける良好な現実性,意味的整合性,正当性を実現する。
  論文  参考訳（メタデータ） (2024-07-16T00:49:53Z)
• Outdoor Scene Extrapolation with Hierarchical Generative Cellular Automata [70.9375320609781]
  我々は,自律走行車(AV)で多量に捕獲された大規模LiDARスキャンから微細な3次元形状を生成することを目指している。 本稿では,空間的にスケーラブルな3次元生成モデルである階層型生成セルオートマトン (hGCA) を提案する。
  論文  参考訳（メタデータ） (2024-06-12T14:56:56Z)
• Building3D: An Urban-Scale Dataset and Benchmarks for Learning Roof Structures from Point Clouds [4.38301148531795]
  既存の3Dモデリング用のデータセットは主に家具や車などの一般的なオブジェクトに焦点を当てている。 エストニアの16都市約998Km2をカバーする,160万以上の建物と対応する点雲,メッシュ,ワイヤフレームモデルからなる都市規模データセットを提案する。 実験結果から,ビルディング3Dには高いクラス内分散,データ不均衡,大規模ノイズといった課題があることが示唆された。
  論文  参考訳（メタデータ） (2023-07-21T21:38:57Z)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• DeepTree: Modeling Trees with Situated Latents [8.372189962601073]
  そこで本研究では,木を手作業で定義するのではなく,分岐構造に対する発達規則を学習する手法を提案する。 我々は、その振る舞いが本質的な状態によって決定されるため、潜伏状態にあるディープニューラルモデル(deep Neural model)と呼ぶ。 本手法では,複雑なパラメータを定義することなく,多様な木形を生成することができる。
  論文  参考訳（メタデータ） (2023-05-09T03:33:14Z)
• SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point Clouds [52.624157840253204]
  センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。 データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
  論文  参考訳（メタデータ） (2022-01-12T14:48:11Z)
• BuildingNet: Learning to Label 3D Buildings [19.641000866952815]
  BuildingNet: (a)外装が一貫してラベル付けされている大規模な3Dビルディングモデル、(b)幾何学的プリミティブの分析と構造的関係をビルディングにラベル付けするニューラルネットワーク。 データセットは、家、教会、高層ビル、市役所、城などのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2021-10-11T01:45:26Z)
• Semantic Segmentation on Swiss3DCities: A Benchmark Study on Aerial Photogrammetric 3D Pointcloud Dataset [67.44497676652173]
  スイスの3つの都市から採取された総面積2.7 km2$の屋外3Dポイントクラウドデータセットを紹介した。 データセットは、ポイントごとのラベルによるセマンティックセグメンテーションのために手動でアノテートされ、高解像度カメラを備えたマルチローターによって取得された画像のフォトグラムを用いて構築される。
  論文  参考訳（メタデータ） (2020-12-23T21:48:47Z)
• PT2PC: Learning to Generate 3D Point Cloud Shapes from Part Tree Conditions [66.87405921626004]
  本稿では,シンボル部分木表現から3次元形状点雲の幾何を生成するという新しい問題について検討する。 構造的および幾何学的要因を乱す条件付きGAN "part tree"-to-point cloud"モデル(PT2PC)を提案する。
  論文  参考訳（メタデータ） (2020-03-19T08:27:25Z)
• Building Footprint Generation by IntegratingConvolution Neural Network with Feature PairwiseConditional Random Field (FPCRF) [21.698236040666675]
  建築フットプリントマップは、3Dビルディングモデリング、都市計画、災害管理など、多くのリモートセンシングアプリケーションにとって不可欠である。 本研究では,畳み込みニューラルネットワーク(CNN)とグラフモデルを組み合わせたエンドツーエンドな構築フットプリント生成手法を提案する。
  論文  参考訳（メタデータ） (2020-02-11T18:51:19Z)

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。