近些年，3D 自然場景的生成出現(xiàn)了大量的研究工作，但是 3D 城市生成的研究工作還寥寥無幾。這主要是因為 3D 城市生成更難，人類對于其中的結(jié)構(gòu)失真更敏感。近日，來自南洋理工大學 S-Lab 的研究者提出了一個新的框架 CityDreamer，專注于生成無邊界的 3D 城市，讓我們先看一下效果。

看起來還不錯？這都來自于以下的這篇研究。

• 論文地址：https://arxiv.org/abs/2009.00610
• 項目地址：https://haozhexie.com/project/city-dreamer
• 代碼地址：https://github.com/hzxie/city-dreamer

為滿足元宇宙中對 3D 創(chuàng)意工具不斷增長的需求，三維場景生成最近受到了相當多的關(guān)注。其中，生成 3D 城市比 3D 自然場景更復雜。在自然場景中，相同類別的物體通常有相似的外觀，例如樹通常是綠色的。但是在城市中，建筑的外觀非常多樣，但它們被賦予了相同的類別，這將導致建筑外觀的質(zhì)量下降。

為了解決這個問題，研究人員提出了 CityDreamer 以生成無邊界的 3D 城市，它將建筑和城市背景（包括道路、綠化、水域）生成分別用 2 個不同的模塊生成。這兩個模塊都采用鳥瞰（Bird's Eye View, BEV）作為場景表示，并采用體積渲染器（Volumetric Renderer ）通過對抗訓練生成逼真的圖像。

值得注意的是，場景參數(shù)化的方式經(jīng)過精心定制，以適應(yīng)背景物體和建筑物的獨特特征。每個類別中的背景對象通常具有相似的外觀，同時呈現(xiàn)出不規(guī)則的紋理。因此，CityDreamer 引入生成哈希網(wǎng)格來保持自然性，同時維護 3D 一致性。相比之下，建筑實例表現(xiàn)出各種各樣的外觀，但其立面的紋理通常顯示出規(guī)則的周期性圖案。研究人員因此，設(shè)計了周期性位置編碼，這對于處理多樣性的建筑立面來說是簡單而有效的。

為了使生成的城市在布局上和外觀上都更逼真，研究人員們構(gòu)建了 2 個數(shù)據(jù)集：OSM 和 GoogleEarth。前者從 OpenStreetMap [1] 提取了超過 80 個知名城市、超過 6000km2 的俯視視角的高度圖和語義分割圖；后者從 Google Earth Studio [2] 上提取了美國紐約市的 400 環(huán)形軌跡，包含 24,000 張圖像及對應(yīng)的語義分割和建筑實例分割標注。這些標注是通過將從 OSM 數(shù)據(jù)集生成的 3D 城市布局投影至圖像上生成的。這種方式可以很容易地將標注數(shù)據(jù)擴展至世界上的其他城市。

方法

CityDreamer 將 3D 城市生成分解為 4 步：無邊界城市布局生成、城市背景生成、建筑實例生成和圖像融合。

無邊界城市布局生成

CityDreamer 將無限的城市布局生成轉(zhuǎn)化為可擴展的語義地圖和高度場的生成問題。為此，CityDreamer 采用了基于 MaskGIT [3] 的無邊界布局生成器（Unbounded Layout Generator, ULG），它天然地支持 inpainting 和 outpainting 功能。具體來說，ULG 使用了 VQVAE 來編碼語義圖和高度場的圖像切片，將它們轉(zhuǎn)換為離散潛在空間并創(chuàng)建 Codeboook。在推理過程中，ULG 以自回歸的方式生成 Codebook 索引，隨后，ULG 使用 VQVAE 的解碼器生成一對語義圖和高度場。由于 VQVAE 生成固定大小的語義圖和高度場，因此 ULG 使用圖像 outpainting 來創(chuàng)建任意大小的語義圖和高度場。在此過程中，ULG 采用滑動窗口來預(yù)測每一步的局部 Codebook 索引，滑動期間有 25% 的重疊。

城市背景生成

City Background Generator (CBG) 主要用于生成城市的背景，具體包括道路、綠化和水域。該模塊使用了鳥瞰視圖（BEV）作為場景的表示。具體而言，該表示使用由語義圖和高度圖組成的 BEV 表征來表達一個大尺度三維場景。

針對城市背景相同類別通常具有相似外觀的特性，CBG 引入生成哈希網(wǎng)格（Generative Hash Grid）作為場景的參數(shù)化：保持自然性，同時維護 3D 一致性。具體而言，CBG 使用哈希函數(shù)來將場景特征 和空間點坐標映射到多尺度混合的可學習參數(shù)上：

為了保證渲染的三維一致性，我們使用基于體積渲染的渲染網(wǎng)絡(luò)來完成三維空間特征到二維圖像的映射。對于相機光線上的一點，我們經(jīng)過查詢生成式哈希網(wǎng)格得到其對應(yīng)的特征，使用經(jīng)風格噪聲調(diào)制的多層 MLP 來得到其對應(yīng)點的顏色和體密度，最終通過體渲染來將一條相機光線上的所有點積分為對應(yīng)像素的顏色。

建筑實例生成

Building Instance Generator (BIG) 用于生成城市的建筑。和城市背景生成一樣，我們使用了鳥瞰視圖作為場景的表示，使用基于體積渲染的渲染網(wǎng)絡(luò)來完成三維空間特征到二維圖像的映射。觀察到建筑立面和屋頂分布的顯著差異，建筑立面和屋頂在 BIG 中被分配了 2 個不同的類別標簽。

針對建筑立面所呈現(xiàn)出的周期性規(guī)律，我們設(shè)計了更輕量化的場景參數(shù)化方式：基于周期性函數(shù)的場景參數(shù)化。具體而言，BIG 將建筑特征和空間坐標通過周期性函數(shù)映射到一個高維空間中：

其中，$\rm Concat$ 表示連接（Concatenation）操作， 被定義為

圖像融合

給定城市背景的圖像和掩膜（分別用 和表示） 以及 建筑實例的圖像和掩膜的集合（ 分別用 和 表示），CityDreamer 使用如下方式得到融合后的圖像

其中 n 表示建筑實例的數(shù)量。

實驗

下圖展示了 CityDreamer 和其他 SOTA 方法的對比，這些方法包括 PersistentNature [4]、SceneDreamer [5] 和 InfiniCity [6]。實驗結(jié)果表明，CityDreamer 的效果明顯優(yōu)于其他方法。

下圖展示了更多視角的生成結(jié)果，該結(jié)果證明了 CityDreamer 的魯棒性。