論文の概要: CityGen: Structure-Guided City-Style Synthesis for Cross-City Autonomous Driving

• arxiv url: http://arxiv.org/abs/2605.29935v1
• Date: Thu, 28 May 2026 13:46:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.3629
• Title: CityGen: Structure-Guided City-Style Synthesis for Cross-City Autonomous Driving
• Title（参考訳）: CityGen: 都市横断自動運転のための構造誘導型都市スタイル合成
• Authors: Zezhong Qian, Zhao Yang, Lu Tan, Zhihao Yan, Weiyi Hong, Haizhuang Liu, Yawei Jueluo,
• Abstract要約: CityTransfer-Benchは、知覚、セグメンテーション、計画にわたる都市間一般化を評価するためのベンチマークである。 CityGenは拡散に基づく生成フレームワークであり、都市レベルの視覚的プロンプトによって誘導されるHDマップ条件の合成を通じてゼロラベルの都市適応を実行する。
• 参考スコア（独自算出の注目度）: 5.149645190293104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving systems are commonly trained and evaluated within limited geographic regions, which hinders their scalability when deployed in new cities. However, significant domain shifts in appearance, road topology, and traffic patterns often cause severe performance degradation under cross-city deployment. Existing approaches based on domain adaptation, data augmentation, or synthetic data generation typically rely on labeled target data, city-specific annotations, or task-specific designs, limiting their scalability and effectiveness for holistic evaluation. In this paper, we introduce CityTransfer-Bench, a geographically disjoint benchmark for evaluating cross-city generalization across perception, segmentation, and planning, and propose CityGen, a diffusion-based generative framework that performs zero-label city adaptation via HD-map-conditioned synthesis guided by city-level visual prompts. Extensive experiments demonstrate that CityGen consistently improves cross-city robustness across multiple tasks, establishing a scalable and label-efficient foundation for generalizable autonomous driving.
• Abstract（参考訳）: 自律運転システムは、通常、限られた地域内で訓練され、評価され、新しい都市に展開する際のスケーラビリティを妨げる。 しかしながら、外見、道路トポロジ、交通パターンの著しいドメインシフトは、都市間デプロイメントにおいて深刻なパフォーマンス低下を引き起こすことが多い。 ドメイン適応、データ拡張、あるいは合成データ生成に基づく既存のアプローチは、通常、ラベル付きターゲットデータ、都市固有のアノテーション、またはタスク固有の設計に依存し、そのスケーラビリティと効果を全体的評価に制限する。 本稿では、認識、セグメンテーション、計画などにわたる都市間一般化を評価するための地理的に非結合なベンチマークであるCityTransfer-Benchを紹介し、都市レベルの視覚的プロンプトによって誘導されるHD-map-conditioned synthesisを用いて、ゼロラベル都市適応を実行する拡散型生成フレームワークであるCityGenを提案する。 大規模な実験により、CityGenは複数のタスクにわたる都市間ロバスト性を一貫して改善し、一般化可能な自動運転のためのスケーラブルでラベル効率の高い基盤を確立している。

関連論文リスト

• CITYREP: A Unified Benchmark for Urban Representations Across Cities, Tasks, and Modalities [0.8319452826580411]
  CityRepは、空間的に構造化された分割を使用して、データモダリティ、都市、タスク間の都市表現を評価するベンチマークである。 その結果,確率的にスコアが膨らんだり,モデルランキングが変更されたりして,性能は分割プロトコルに非常に敏感であることがわかった。 CityRepは、公正な比較を容易にするために、データセット、評価パイプライン、診断ツールを備えた再現可能なベンチマークとしてリリースされた。
  論文  参考訳（メタデータ） (2026-05-25T17:03:46Z)
• Urban-R1: Reinforced MLLMs Mitigate Geospatial Biases for Urban General Intelligence [64.36291202666212]
  アーバン・ジェネラル・インテリジェンス(UGI)とは、複雑な都市環境を理解し、推論できるAIシステムである。 近年, LLM と MLLM の教師付き微調整 (SFT) を用いた都市基盤モデルの構築が進められている。 MLLMをUGIの目的と整合させる強化学習に基づくポストトレーニングフレームワークであるUrban-R1を提案する。
  論文  参考訳（メタデータ） (2025-10-18T15:59:09Z)
• Neighbor-aware informal settlement mapping with graph convolutional networks [1.226598527858578]
  本稿では,局所的な地理的コンテキストを分類プロセスに組み込んだグラフベースのフレームワークを提案する。 リオデジャネイロのケーススタディでは,空間的クロスバリデーションを用いて実験を行った。 本手法は,Kappa係数を個々の細胞分類よりも17ポイント向上する。
  論文  参考訳（メタデータ） (2025-09-30T12:25:25Z)
• UrbanPulse: A Cross-City Deep Learning Framework for Ultra-Fine-Grained Population Transfer Prediction [0.0]
  UrbanPulseは、超微細で都市全体のODフロー予測を提供するスケーラブルなディープラーニングフレームワークである。 大規模な都市グラフの事前学習、コールドスタート適応、強化学習微調整という3段階の学習戦略を採用している。 最先端の精度とスケーラビリティを実現します。
  論文  参考訳（メタデータ） (2025-07-23T20:44:25Z)
• UrbanMind: Urban Dynamics Prediction with Multifaceted Spatial-Temporal Large Language Models [18.051209616917042]
  UrbanMind は多面的都市動態予測のための空間時空間 LLM フレームワークである。 UrbanMindのコアとなるMuffin-MAEは、特殊なマスキング戦略を備えた多面式フュージョンマスク自動エンコーダである。 複数の都市にまたがる実世界の都市データセットの実験は、UrbanMindが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-05-16T19:38:06Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• 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)
• 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)

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。