街景图像在城市环境制图中的覆盖率与偏差
本文主要阐述了城市视觉信息在城市研究中的重要性以及新的图像数据和AI技术如何改变了城市研究的方式并引入了Urban Visual Intelligence的概念框架，使得城市的物理环境和社会经济环境在各种尺度上相互作用并研究可能有助于城市在数字时代创造更符合人类行为和愿望的环境。
Jan, 2023
城市转型对个人和社区产生了深远的社会影响。本研究通过收集大规模的街景时间序列数据集，提出了一种端到端的变化检测模型，能够有效捕捉城市环境的实际变化，为城市转型的精细评估提供了可能。
Jan, 2024
我们开发了一个开源数据处理管道，用于处理从车载摄像头记录的360度视频数据，生成街景图像，为时序分析提供输入，并通过对行人交通的统计分析验证了数据处理管道的输出。这项研究展示了收集和使用街景图像数据在研究中的可行性和价值，并在室外行人交通模式方面提供了新的见解。
Jan, 2024
这篇论文提出了一种集成计算机视觉和生成式人工智能（genAI）的新方法，通过先进的图像分割和扩散模型的协同作用，实现了城市设计的全面方法。我们的研究方法涵盖了详细图像分割的OneFormer模型和通过ControlNet实现的文本描述生成图像的稳定扩散XL（SDXL）扩散模型。早期测试表明，UrbanGenAI不仅提升了城市景观重建的技术前沿，也在设计教学和社区参与的城市规划方面提供了显著的益处。UrbanGenAI的持续发展旨在对其在更广泛的背景下的有效性进行进一步验证，并集成实时反馈机制和三维建模能力等附加功能。
Jan, 2024
Street View-level Imagery (SVI)的自动下载、处理、裁剪和过滤方法以及用于评估人们对这些图像所描绘街道的感知的智能手机友好型调查软件的公开分析和复用方法。
Feb, 2024
我们在本文中提出了一种新颖的视觉-语言预训练模型（UrbanVLP），该模型能够无缝地整合来自宏观（卫星）和微观（街景）层面的多粒度信息，克服了先前预训练模型的局限性，提高了城市规划中的可解释性。我们的UrbanVLP模型还引入了自动生成文字描述和校准，通过生成高质量的城市图像描述，提升了在下游应用中的可解释性。大量的实验验证了UrbanVLP在六个社会经济任务上的卓越性能，我们还部署了一个网络平台验证其实用性。
Mar, 2024
本研究利用机器学习和全面的街景图像数据集，探讨纽约市的城市安全挑战，以识别城市景观与犯罪率之间的关系，并特别关注街景特征与犯罪率的相关性，从而为城市规划和犯罪预防提供见解，凸显环境设计在提升公共安全方面的潜力。
Apr, 2024
该研究解决了志愿地理信息（VGI）中城市建筑数据质量不均的问题，通过多源地理数据转化方案生成建筑轮廓数据。提出的ControlCity方法基于多模态扩散模型，利用文本-图像模型与改进的ControlNet整合数据，成功模拟真实城市建筑模式，展现了显著的准确性提升。
Sep, 2024
本研究解决了城市建筑外观数据库构建中的准确性和细节问题，强调了能源效率、环境可持续性和以人为本设计的关键指标。提出的BuildingView方法结合了Google街景的高分辨率视觉数据和OpenStreetMap的空间信息，显著提高了城市研究中的数据准确性和系统性。该数据库经过纽约市、阿姆斯特丹和新加坡的数据验证，为城市规划、建筑设计和环境政策提供了全面支持。
Sep, 2024