A Scale-Adaptive Framework for Building Generalization via Instruction-Guided Diffusion and Geometry-Aware Vectorization

doi:10.1007/s41651-026-00282-3

A Scale-Adaptive Framework for Building Generalization via Instruction-Guided Diffusion and Geometry-Aware Vectorization

2026-09-09

0

OA

AI

DOI：10.1007/s41651-026-00282-3

原文链接

查看原文

摘要

En 中文

地图综合旨在将详细地理空间数据适应于不同地图比例尺的可视化，同时保持可读性和几何一致性。近年来基于学习的方法已展现出有前景的结果，但它们通常需要为每个目标比例尺训练单独的模型，并产生缺乏几何规律性的栅格输出。本文提出了一种基于指令引导的扩散框架，用于栅格化建筑地图综合，能够在单个模型中实现比例尺自适应综合。通过使用指示比例尺的文本指令对隐式扩散模型进行条件约束，该框架允许通过提示驱动控制跨多个先前未见目标比例尺的综合行为，同时隐式捕捉简化、聚合和选择等多种综合算子的效果。栅格化综合结果随后通过基于框架场的矢量化转换为矢量地图，生成保持正交性和平行性的建筑轮廓。在多尺度建筑地图综合实验中表明，所提出的方法生成的矢量化结果在几何规律性方面显著优于现有基线。像素和多边形两个层面的定量评估证实了边界规律性、矩形度和平行性的提升。跨尺度实验进一步表明，在评估的已知和未知中间尺度上呈现出平滑的比例尺依赖行为。

Keyword:

Map generalization

Latent diffusion model

Frame field learning

Multi-scale cartography

A Scale-Adaptive Framework for Building Generalization via Instruction-Guided Diffusion and Geometry-Aware Vectorization

摘要

AI总结

期刊

机构