人工智能(AI)和深度学习无处不在，如今它们具有重塑城市景观的潜力。分析景观图像的深度学习模型可以帮助城市规划者可视化重建计划，以提高美观度并防止代价高昂的错误。然而，为了使这些模型有效，它们需要准确地识别和分类图像中的元素，这是一个称为实例分割的挑战。这一挑战是由于缺乏合适的训练数据造成的，因为生成准确的“地面实况”图像标签涉及劳动密集型的手动分割。然而，最近发表的一篇论文表明，一个团队可能找到了答案。

通过人工智能生成创新的合成数据

大阪大学的研究人员通过利用基于人工智能的计算机模拟，来训练需要大量数据的模型，设计了解决该问题的方法。他们的方法包括创建一个真实的城市3D模型来生成地面实况分割。然后，图像到图像模型根据地面实况数据生成逼真的图像。此过程会产生类似于实际城市的逼真图像数据集，并配有精确生成的地面实况标签，从而无需手动分割。

虽然合成数据以前已用于深度学习，但他们的方法有所不同，通过城市结构模拟为现实世界模型创建足够的训练数据。通过按程序生成现实城市的3D模型并使用游戏引擎创建分割图像，他们可以训练生成对抗网络将形状转换为具有现实城市纹理的图像，从而生成街景图像。

优势及未来前景

这种方法消除了对实际建筑物的公开可用数据集的必要性，并且能够分离单个对象，即使它们在图像中重叠也是如此。它显着减少了人力，同时生成高质量的训练数据。为了验证其有效性，研究人员在模拟数据上训练了分割模型，并将其与在真实数据上训练的模型进行了比较。人工智能模型在涉及大型、独特建筑物的实例上表现类似，但数据集准备时间大幅减少。

研究人员的目标是提高图像到图像模型在不同条件下的性能。他们的成就不仅解决了训练数据的短缺问题，还降低了与数据集准备相关的成本，为深度学习辅助城市景观美化的新时代铺平了道路。