論文の概要: Designing streetscapes from street-view imagery using diffusion models

• arxiv url: http://arxiv.org/abs/2605.17527v1
• Date: Sun, 17 May 2026 16:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.375992
• Title: Designing streetscapes from street-view imagery using diffusion models
• Title（参考訳）: 拡散モデルを用いたストリートビュー画像からの街路景観の設計
• Authors: Yuzhou Chen, Yuebing Liang, Lingqian Hu, Kailai Sun, Qingqi Song, Chang Zhao, Shenhao Wang,
• Abstract要約: ストリートビュー画像(SVI)は、グリーン・エレー、スカイ、ロードビューの指標などの都市環境の重要な指標を定量化するために広く用いられている。 既存の研究は、現在の街路景観を測ることに重点を置いており、代替的および既存の都市シナリオの生成を支援することはめったにない。 本稿では、ターゲットの視覚的指標に基づいて、他の街路景観を合成する、ジェネラ指向のマルチモーダルAIフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.860196708556995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Street-view imagery (SVI) is widely used to quantify key indicators of urban environment, such as green- ery, sky, or road view indices. However, existing studies largely focus on measuring current streetscapes and rarely support the generation of alternative and non-existing urban scenarios, which is a core task in geospatial disciplines such as urban planning and design. To address this gap, we propose a gener- ative multimodal AI framework that synthesizes alternative streetscapes conditioned on targeted visual metrics, enabling direct visual exploration of urban scenarios. We first construct a multimodal dataset that aligns SVIs with textual descriptions, segmentation maps, road masks, and quantitative metrics of visual elements in Chicago and Orlando. Using this dataset, we demonstrate that diffusion models can produce realistic and semantically consistent streetscape imagery while responding to both textual and imagery controls. Our quantitative evaluations show that incorporating visual controls can improve semantic consistency, reducing the LPIPS index by approximately 6% while maintaining global visual realism. In addition, overall semantic consistency increases by 23.7% in Orlando and 46.4% in Chicago, as measured by the mIoU index, with class-wise gains exceeding even 100% improvement for building view indices. Streetscape generation can be controlled in a fine-grained manner by both visual and textual prompts, and when textual and visual controls conflict, imagery controls consistently dominate, indicating a clear control hierarchy and the importance of further developing visual controls for urban scene generation. Overall, this work establishes an important benchmark for streetscape generation us- ing SVIs and diffusion models, and illustrates how generative AI can serve as a practical, scalable, and controllable approach for urban scenario exploration.
• Abstract（参考訳）: ストリートビュー画像(SVI)は、グリーン・エレー、スカイ、ロードビューの指標などの都市環境の重要な指標を定量化するために広く用いられている。 しかし、既存の研究は、現在の街路景観を測ることに重点を置いており、都市計画や設計などの地理分野における中核的な課題である、代替的・非既存の都市シナリオの生成を支援することはめったにない。 このギャップに対処するために、ターゲットの視覚的指標に基づく代替の街路景観を合成し、都市シナリオを直接視覚的に探索するジェネレータ対マルチモーダルAIフレームワークを提案する。 まず、SVIとテキスト記述、セグメンテーションマップ、ロードマスク、およびシカゴとオーランドの視覚要素の定量的測定値とを一致させるマルチモーダルデータセットを構築した。 このデータセットを用いて,テキストと画像の両方に反応しながら,拡散モデルが現実的かつ意味論的に一貫した街並み画像を生成することを実証した。 視覚的制御を取り入れることで意味的一貫性が向上し,世界的視覚リアリズムを維持しつつLPIPSインデックスを約6%削減できることを示す。 さらに、総合的なセマンティック一貫性はオーランドでは23.7%、シカゴでは46.4%増加し、mIoU指数で測定された。 街並み生成は、視覚的プロンプトとテキスト的プロンプトの両方によってきめ細かな制御が可能であり、テキスト的および視覚的制御が相反する場合には、画像制御が一貫して支配的であり、明確な制御階層と都市景観生成のための視覚制御のさらなる発展の重要性が示される。 全体として、この研究は、SVIと拡散モデルを用いた街並み生成のための重要なベンチマークを確立し、都市シナリオ探索のための実用的でスケーラブルで制御可能なアプローチとして、生成AIがどのように機能するかを示している。

関連論文リスト

• Modeling Subjective Urban Perception with Human Gaze [60.73742038237224]
  そこで我々はPlace Pulse-Gazeを紹介した。Place Pulse-Gazeは、街路ビューの画像に同期した視線追跡記録と個人認識ラベルを付加する都市認識データセットである。 本研究では,視線行動が主観的都市感のモデル化にどのように貢献するかを考察するために,ガゼ誘導型都市知覚フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-01T16:25:13Z)
• Unsupervised Urban Land Use Mapping with Street View Contrastive Clustering and a Geographical Prior [16.334202302817783]
  本研究は、地理的事前に組み込まれたストリートビュー画像に対する教師なしコントラストクラスタリングモデルを提案する。 本研究では,2つの都市の地理タグ付きストリートビュー画像データセットから土地利用地図を作成できることを実験的に示す。
  論文  参考訳（メタデータ） (2025-04-24T13:41:27Z)
• Streetscape Analysis with Generative AI (SAGAI): Vision-Language Assessment and Mapping of Urban Scenes [0.9208007322096533]
  本稿では,SAGAI:Streetscape Analysis with Generative Artificial Intelligenceを紹介する。 これは、オープンアクセスデータと視覚言語モデルを使用して、街路レベルの都市シーンを評価するためのモジュラーワークフローである。 タスク固有のトレーニングやプロプライエタリなソフトウェア依存関係なしで動作します。
  論文  参考訳（メタデータ） (2025-04-23T09:08:06Z)
• StreetviewLLM: Extracting Geographic Information Using a Chain-of-Thought Multimodal Large Language Model [12.789465279993864]
  地理空間予測は災害管理、都市計画、公衆衛生など様々な分野において重要である。 提案するStreetViewLLMは,大規模言語モデルと連鎖推論とマルチモーダルデータソースを統合した新しいフレームワークである。 このモデルは、香港、東京、シンガポール、ロサンゼルス、ニューヨーク、ロンドン、パリを含む7つの世界都市に適用されている。
  論文  参考訳（メタデータ） (2024-11-19T05:15:19Z)
• Streetscapes: Large-scale Consistent Street View Generation Using Autoregressive Video Diffusion [61.929653153389964]
  そこで本研究では,街並みを連続的に合成した街並みの景観を再現する手法を提案する。 我々の手法は、視覚的品質と一貫性を維持しつつ、複数の都市ブロックにまたがる、はるかに長い範囲のカメラ軌道にスケールすることができる。
  論文  参考訳（メタデータ） (2024-07-18T17:56:30Z)
• Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
  近年,Bird's-Eye View (BEV) の知覚が注目されている。 自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。 本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
  論文  参考訳（メタデータ） (2023-01-11T18:39:34Z)

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。