COHO: Context-Sensitive City-Scale Hierarchical Urban Layout Generation

我们的研究方法针对城市布局生成的上下文敏感性质，利用了一个整个城市的规范图表达形式，这有助于扩展性和捕捉城市布局中固有的多层语义。我们引入了一种新颖的基于图的掩码自编码器（GMAE）用于城市规模的布局生成。该方法将带属性的建筑物、城市街区、社区和城市编码成一个统一的图结构，使得图自编码器能够进行自我监督的掩码训练。此外，我们采用了定期迭代采样的方法进行2.5D布局生成，优先生成重要的城市街区和建筑物。我们的方法在美国330个城市的异构城市风格中实现了良好的真实感、语义一致性和正确性。我们在https://github.com/Arking1995/COHO上发布了代码和数据集。

本文试图解决大规模城市布局生成的问题，既要考虑可扩展性，又要考虑城市布局的多层语义。

本文提出了一种基于图的自编码器方法，将建筑、街区、社区和城市等元素编码为统一的图结构，并采用自监督掩码训练方法进行训练。此外，还采用了迭代采样的方法进行2.5D布局生成。

本文的方法在330个美国城市的异构城市风格中实现了良好的逼真度、语义一致性和正确性。此外，作者还公开了代码和数据集。

近期在这个领域中的相关研究包括：1.《Procedural Generation of Parcels in Urban Modeling》；2.《Learning a Probabilistic City Generator》；3.《Generative Adversarial Networks for Urban Layout Synthesis》等。