論文の概要: Bridging Scales in Map Generation: A scale-aware cascaded generative mapping framework for seamless and consistent multi-scale cartographic representation

• arxiv url: http://arxiv.org/abs/2502.04991v3
• Date: Wed, 28 May 2025 15:03:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 15:04:27.241793
• Title: Bridging Scales in Map Generation: A scale-aware cascaded generative mapping framework for seamless and consistent multi-scale cartographic representation
• Title（参考訳）: 地図生成におけるブリジングスケール:シームレスで一貫したマルチスケール地図表現のためのスケール対応カスケード生成マッピングフレームワーク
• Authors: Chenxing Sun, Yongyang Xu, Xuwei Xu, Xixi Fan, Jing Bai, Xiechun Lu, Zhanlong Chen,
• Abstract要約: マルチスケールタイルマップは地理情報サービスに不可欠であり、測量と地図の基本的な成果となる。 現在のアプローチでは、動的マルチスケール生成と地図一般化原理の不十分な統合とタイルワイズ生成による空間的不連続の2つの根本的な課題に直面している。 本研究では,条件付き誘導拡散とマルチスケールカスケードアーキテクチャを利用するスケール対応地図生成フレームワーク(SCGM)を提案する。
• 参考スコア（独自算出の注目度）: 2.414525855161937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-scale tile maps are essential for geographic information services, serving as fundamental outcomes of surveying and cartographic workflows. While existing image generation networks can produce map-like outputs from remote sensing imagery, their emphasis on replicating texture rather than preserving geospatial features limits cartographic validity. Current approaches face two fundamental challenges: inadequate integration of cartographic generalization principles with dynamic multi-scale generation and spatial discontinuities arising from tile-wise generation. To address these limitations, we propose a scale-aware cartographic generation framework (SCGM) that leverages conditional guided diffusion and a multi-scale cascade architecture. The framework introduces three key innovations: a scale modality encoding mechanism to formalize map generalization relationships, a scale-driven conditional encoder for robust feature fusion, and a cascade reference mechanism ensuring cross-scale visual consistency. By hierarchically constraining large-scale map synthesis with small-scale structural priors, SCGM effectively mitigates edge artifacts while maintaining geographic fidelity. Comprehensive evaluations on cartographic benchmarks confirm the framework's ability to generate seamless multi-scale tile maps with enhanced spatial coherence and generalization-aware representation, demonstrating significant potential for emergency mapping and automated cartography applications.
• Abstract（参考訳）: マルチスケールタイルマップは地理情報サービスに不可欠であり、測量と地図のワークフローの基本的な成果となる。 既存の画像生成ネットワークは、リモートセンシング画像からマップライクな出力を生成することができるが、地理空間的特徴を保存するのではなく、テクスチャの複製に重点を置いているため、地図的妥当性が制限される。 現在のアプローチでは、動的マルチスケール生成と地図一般化原理の不十分な統合とタイルワイズ生成による空間的不連続の2つの根本的な課題に直面している。 これらの制約に対処するために、条件付き誘導拡散とマルチスケールカスケードアーキテクチャを利用するSCGM(Scale-Aware cartographic generation framework)を提案する。 このフレームワークでは、マップの一般化関係を形式化するスケールモダリティ符号化機構、ロバストな特徴融合のためのスケール駆動条件エンコーダ、スケール間の視覚的整合性を保証するカスケード参照機構の3つの重要なイノベーションを紹介している。 SCGMは、大規模マップ合成を小さな構造的前提で階層的に制限することにより、地理的忠実さを維持しながら、エッジアーティファクトを効果的に緩和する。 カルトグラフベンチマークに関する総合的な評価は、空間コヒーレンスと一般化認識表現が強化されたシームレスなマルチスケールタイルマップを生成するフレームワークの能力を確認し、緊急マッピングや自動カルトグラフィーの応用に有意義な可能性を示唆している。

関連論文リスト

• Panoptic Diffusion Models: co-generation of images and segmentation maps [7.573297026523597]
  本稿では,PDM(Panoptic Diffusion Model)を提案する。 PDMは画像とテキストのギャップを埋めるために、生成プロセス全体を通して詳細なビルトインガイダンスを提供するセグメンテーションレイアウトを構築する。
  論文  参考訳（メタデータ） (2024-12-04T00:42:15Z)
• MGMapNet: Multi-Granularity Representation Learning for End-to-End Vectorized HD Map Construction [75.93907511203317]
  多粒性表現を持つ地図要素をモデル化するためのMGMapNet(Multi-Granularity Map Network)を提案する。 提案したMGMapNetは最先端のパフォーマンスを達成し,MapTRv2 を nuScenes で 5.3 mAP,Argoverse2 で 4.4 mAP で上回った。
  論文  参考訳（メタデータ） (2024-10-10T09:05:23Z)
• HPix: Generating Vector Maps from Satellite Images [0.0]
  衛星画像からベクトルタイルマップを生成するためにGAN(Generative Adversarial Networks)を改良したHPixと呼ばれる新しい手法を提案する。 経験的評価を通じて,提案手法は高精度かつ視覚的に表現可能なベクトルタイルマップを作成する上での有効性を示す。 さらに、道路交差点のマッピングや、その面積に基づいたフットプリントクラスタの構築など、我々の研究の応用を拡大する。
  論文  参考訳（メタデータ） (2024-07-18T16:54:02Z)
• DiffMap: Enhancing Map Segmentation with Map Prior Using Diffusion Model [15.803614800117781]
  DiffMapは,マップセグメンテーションマスクの構造をモデル化する新しい手法である。 この手法を取り入れることで,既存のセマンティックセグメンテーション手法の性能を大幅に向上させることができる。 本モデルは,実世界の地図レイアウトをより正確に反映した結果を生成する上で,優れた習熟度を示す。
  論文  参考訳（メタデータ） (2024-05-03T11:16:27Z)
• SSMG: Spatial-Semantic Map Guided Diffusion Model for Free-form Layout-to-Image Generation [68.42476385214785]
  本稿では,レイアウトから派生した特徴写像を用いた空間意味マップガイド(SSMG)拡散モデルを提案する。 SSMGは,従来の研究に比べて空間的,意味的な制御性に優れた生成品質を実現する。 また,RSA(Relation-Sensitive Attention)機構とLSA(Location-Sensitive Attention)機構を提案する。
  論文  参考訳（メタデータ） (2023-08-20T04:09:12Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Cross-Descriptor Visual Localization and Mapping [81.16435356103133]
  視覚のローカライゼーションとマッピングは、Mixed Realityとロボティクスシステムの大部分を支える重要な技術である。 特徴表現の連続的な更新を必要とする局所化とマッピングのための3つの新しいシナリオを提案する。 我々のデータ駆動型アプローチは特徴記述子型に非依存であり、計算要求が低く、記述アルゴリズムの数と線形にスケールする。
  論文  参考訳（メタデータ） (2020-12-02T18:19:51Z)
• SMAPGAN: Generative Adversarial Network Based Semi-Supervised Styled Map Tiles Generating Method [0.0]
  Google MapやBaidu Mapといったインターネット上で広く使われている従来のオンラインマップタイルは、ベクトルデータからレンダリングされる。 本稿では,SMAPGANモデルに基づくスタイル付き地図タイルの半教師付き生成を提案する。 実験結果から,SMAPGANは平均二乗誤差,構造類似度指数,ESSIに基づいて,最先端のSOTA(State-of-the-art)よりも優れていた。
  論文  参考訳（メタデータ） (2020-01-21T04:13:21Z)

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。