論文の概要: Sat2Flow: A Structure-Aware Diffusion Framework for Human Flow Generation from Satellite Imagery
- arxiv url: http://arxiv.org/abs/2508.19499v1
- Date: Wed, 27 Aug 2025 01:05:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-28 19:07:41.460276
- Title: Sat2Flow: A Structure-Aware Diffusion Framework for Human Flow Generation from Satellite Imagery
- Title（参考訳）: Sat2Flow: 衛星画像からの人体フロー生成のための構造対応拡散フレームワーク
- Authors: Xiangxu Wang, Tianhong Zhao, Wei Tu, Bowen Zhang, Guanzhou Chen, Jinzhou Cao,
- Abstract要約: Origin-Destination (OD) フロー行列は、交通予測、インフラ計画、政策設計における基盤となる都市移動分析に不可欠である。
本稿では,衛星画像のみを入力として,構造的に整合したODフローを生成する潜在構造認識拡散に基づくフレームワークであるSat2Flowを提案する。
実世界の都市データセットによる実験結果から,Sat2Flowは物理ベースベースラインとデータ駆動ベースラインの両方を数値的精度で上回り,指数置換の下で経験的分布と空間構造を保存する。
- 参考スコア（独自算出の注目度）: 7.108993680156414
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Origin-Destination (OD) flow matrices are essential for urban mobility analysis, underpinning applications in traffic forecasting, infrastructure planning, and policy design. However, existing methods suffer from two critical limitations: (1) reliance on auxiliary features (e.g., Points of Interest, socioeconomic statistics) that are costly to collect and have limited spatial coverage; and (2) sensitivity to spatial topology, where minor index reordering of urban regions (e.g., census tract relabeling) disrupts structural coherence in generated flows. To address these challenges, we propose Sat2Flow, a latent structure-aware diffusion-based framework that generates structurally coherent OD flows using solely satellite imagery as input. Our approach introduces a multi-kernel encoder to capture diverse regional interactions and employs a permutation-aware diffusion process that aligns latent representations across different regional orderings. Through a joint contrastive training objective that bridges satellite-derived features with OD patterns, combined with equivariant diffusion training that enforces structural consistency, Sat2Flow ensures topological robustness under arbitrary regional reindexing. Experimental results on real-world urban datasets demonstrate that Sat2Flow outperforms both physics-based and data-driven baselines in numerical accuracy while preserving empirical distributions and spatial structures under index permutations. Sat2Flow offers a globally scalable solution for OD flow generation in data-scarce urban environments, eliminating region-specific auxiliary data dependencies while maintaining structural invariance for robust mobility modeling.
- Abstract（参考訳）: Origin-Destination (OD) フロー行列は、交通予測、インフラ計画、政策設計における基盤となる都市移動分析に不可欠である。
しかし, 既存の手法では, 1 つの重要な限界がある。(1) 収集・空間被覆に費用がかかる補助的特徴(例えば, 関心点, 社会経済統計)への依存 2 つの空間トポロジに対する感受性(例えば, センサス・トラクション・レラベリング)は, 生成された流れにおける構造的コヒーレンスを阻害する。
これらの課題に対処するために,衛星画像のみを入力として構造的に整合なODフローを生成する潜在構造対応拡散ベースフレームワークであるSat2Flowを提案する。
提案手法では,多様な地域間相互作用を捕捉するマルチカーネルエンコーダを導入し,異なる地域順序にまたがる潜在表現を整列する置換対応拡散プロセスを採用する。
サット2フローは、衛星から派生した特徴をODパターンでブリッジし、構造的一貫性を強制する等変拡散訓練と組み合わせることで、任意の地域再帰の下で位相的ロバスト性を確保する。
実世界の都市データセットによる実験結果から,Sat2Flowは物理ベースベースラインとデータ駆動ベースラインの両方を数値的精度で上回り,指数置換の下で経験的分布と空間構造を保存する。
Sat2Flowは、ロバストモビリティモデリングのための構造的不変性を維持しながら、リージョン固有の補助データ依存関係を排除し、データスカースな都市環境でODフロー生成のためのグローバルなスケーラブルなソリューションを提供する。
関連論文リスト
- Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。
空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-06-24T00:56:21Z) - FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。
また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。
CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
論文 参考訳（メタデータ） (2025-04-28T02:41:12Z) - Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。
この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-03-06T21:21:15Z) - A Unified Framework for Next-Gen Urban Forecasting via LLM-driven Dependency Retrieval and GeoTransformer [7.128763419599272]
本研究では,高次元都市予測のための新しい統一的枠組みを提案する。
我々のフレームワークはモジュール化されており、多様な表現方法や予測モデルをサポートし、最小限の入力でも操作できる。
論文 参考訳（メタデータ） (2024-08-16T17:26:42Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。
本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。
履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
論文 参考訳（メタデータ） (2023-06-09T21:01:29Z) - Complexity-aware Large Scale Origin-Destination Network Generation via
Diffusion Model [24.582615553841396]
Origin-Destination (OD) ネットワークは、市内の各地域から他の地域への人々の流れを推定する。
本稿では,ノードとエッジの条件付き結合確率分布を学習するために,ODネットワークの生成と拡散法の設計を提案する。
論文 参考訳（メタデータ） (2023-06-08T02:02:55Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Interpretable Crowd Flow Prediction with Spatial-Temporal Self-Attention [16.49833154469825]
群衆の流れを予測する最も難しい部分は、複雑な空間的・時間的依存関係を測定することである。
時空間表現全体を計算するためのST符号化ゲートを備えた時空間自己認識ネットワーク(STSAN)を提案する。
交通および移動データに関する実験結果から,提案手法はTaxi-NYCデータセット上でRMSEの流入と流出を16%減らし,8%減らすことを示した。
論文 参考訳（メタデータ） (2020-02-22T12:43:11Z)
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。