程序化城市林业的学习和实施

ACM Transactions on Graphics，Vol.41，不。2、第二十条。出版日期：2022年2月→→程序化城市林业TILL NIESE，康斯坦茨大学20SÖREN PIRK，谷歌研究院马蒂亚斯·阿尔布雷希特，康斯坦茨大学贝德里奇·贝奈斯，普渡大学Oliver Deussen，康斯坦茨大学图1.一、我们基于学习的植物种群方法的步骤：我们使用卫星图像（a）和预测植被覆盖图（b）。 我们使用这些地图来识别放置植物的区域（c），并在用复杂的植物填充新的虚拟城市时学习我们的程序模型的参数（d），这显着提高了城市景观的真实性（e）。植物的放置在虚拟场景的真实感中起着核心作用。我们介绍了程序放置模型（PPM）的城市布局中的PPM对城市几何形状具有环境敏感性，并允许根据城市布局中的结构和功能区确定合理的工厂位置PPM可以通过定义参数直接使用，也可以从卫星图像和土地登记数据中学习这使我们能够用复杂的3D植被填充城市景观 我们本研究部分由德国研究共同体（DFG）项目（DE 620/27-1）资助，部分由国家科学基金会资助#10001387，3D几何模型的功能程序化和食品和农业研究基金会资助ID：602757。本声明的内容完全由作者负责，不一定代表FFAR的官方观点。作者Niese，M.Albrecht和O.Deussen，康斯坦茨大学，Universitätsstraße 10，Konstanz ， 78464 ， Germany; 电 子 邮 件 ： t. niese@gmail.com ， matthias. uni-konstanz.de ， oliver.uni-konstanz.de;S.Pirk ， GoogleResearch ， 1600Amphitheatre Parkway，Mountain View，CA，94043，USA;电子邮件：so-eren.gmail.com; B.贝恩斯，普渡大学，401北格兰特街，西拉斐特，印第安纳州，47907-2021;电子邮件：bbenes@purdue.edu。允许制作本作品的全部或部分数字或硬拷贝供个人或课堂使用，无需付费，前提是复制品不得以营利或商业利益为目的制作或分发，复制品应在第一页上注明本通知和完整的引文。本作品的版权归ACM以外的其他人所有，必须予以尊重。允许使用学分进行摘要 复制，或重新发布，张贴在服务器上或重新分发到列表，需要事先特定的许可和/或费用。从permissions@acm.org请求权限。© 2022计算机协会0730-0301/2022/02-ART20 $15.00https://doi.org/10.1145/3502220框架 我们验证了我们的框架与感知用户的研究和它的可用性的基础上与专家用户的城市场景设计会议产生的结果。CCS概念：·计算方法学形状分析;·计算语法和上下文无关语言的理论;重写系统;附加关键词和短语：城市模型，植被，程序生成，城市林业ACM参考格式：Till Niese，Sören Pirk，Matthias Albrecht，Bedrich Benes，andOliver Deussen. 2022.城市森林程序。ACM事务处理图表41，2，第20条（2022年2月），18页。https://doi.org/10.1145/35022201介绍城市模型的可视化模拟及其三维几何图形的生成是计算机图形学中一个基本的开放性问题，已经有许多方法来解决。 现有的方法范围从建模立面，建筑物，城市街区细分，整个城市与可行的街道和道路系统。综合生成的城市模型已经表现出高度的真实性。然而，城市沉浸在植被中，但很少有人关注城市模型和植被在计算机图形学中的相互作用。 许多方法都考虑了生态系统模拟。流行的算法使用ACM Transactions on Graphics，Vol.41，不。2、第二十条。出版日期：2022年2月20：·T.Niese等人植物对资源的竞争是其进化的主要驱动因素，无论是在整个植物的水平上[Deussen et al.1998]或分支水平[Makowski et al.2019年]。不幸的是，这些方法在城市地区失败了，因为城市树木只有有限的空间来竞争资源。 它们受到周围城市地区和人为干预的严重影响。城市森林一词是指城市地区的植被[Milleret al.2015年]。 植被有许多实际的功能：它控制空气流动、太阳辐射、热量、湿度和降水。它还可以阻挡雪和减少噪音。此外，植被的一个基本功能是增加城市美学。城市森林不是一次种植，而是长期管理枯树被移走，新树被种植.活的树木被修剪，以获得可见性或公用事业服务。与真实的城市相比，我们在计算机图形中面临着不同的情况现有的算法生成一个城市模型没有植被，我们需要找到合适的位置为个别树木。模拟城市森林演变，即，通过使用Benes等人的算法 [2011年]，控制起来既耗时又具有挑战性。我们引入了一个程序化的方法，用于植物的高级放置，以增加城市模型我们受到城市规则的启发，这些规则控制着哪些树木和灌木可以种植，以及它们可以长多高 这些规定因地区而异;在工业区则有所放宽。 人们也有更多的灵活性，在他们的财产，但他们是在一个城市的公共区域和周围的重要地标执行。因此，我们引入程序布局模型（PPM）-我们表明，布局模型和参数一起提供了一个有效的手段来控制城市景观的互动建模。此外，我们可以用静态的树木几何学和动态的植物模型来填充城市模型，这些植物可以生长并改变它们的形状以响应环境变化或人类干预。这使我们能够应用模拟模型来描述如果花费更多或更少的努力来维护它们，城市或其区域将如何变化这种动态的城市生态系统允许用户在视觉上预测和控制城市中的园艺效果，并使这种模型更加逼真，因为它们抑制了衰变和不同的秩序水平。虽然程序放置可以直接用于填充城市布局，我们还表明，放置模型可以用来学习真实城市的植物分布我们使用卫星图像和土地登记数据来训练深度神经网络，以学习树木和其他植物在我们的程序放置模型参数空间中的分布。虽然放置模型在正则化找到合理放置之前充当强有力的工具，但学习参数值也使用户能够通过直观的参数有效地创作场景图1中的示例显示了一个卫星图像(a) 以及预测覆盖图（b）。 我们使用覆盖图来识别放置植被的区域（c）并学习过程模型的参数。 一旦获得了参数，我们就可以用复杂的植物模型（d）自动填充城市模型，以增加其真实性（e）。我们的主要贡献是：（1）我们通过引入一个基于将植物放置的复杂性分解为可管理组件的想法的程序建模框架，推进了城市景观中植被建模的最新技术;（2）我们引入了一组程序放置模型及其参数化，以捕获各种各样的放置模式;（3）我们使用一种新的管道从卫星数据中学习城市中的植物分布;我们将卫星图像转换为覆盖地图，然后学习我们程序模型的放置参数。2相关工作直到最近，研究人员才开始探索用真实城市景观的现实特征来建模虚拟环境的方法[Smelik et al. 2014年]。在这里，我们专注于植物和城市建模，生态系统和基于学习的方法的问题方面。城市建模：城市结构通常按流程建模[Watson et al.2008年]。在他们的开创性文章中，Parish和Müller [2001]使用L系统来模拟复杂的城市，Wonka等人。 [2003]应用拆分语法从程序上定义构建，这些构建后来通过使用细分[Müller et al. 2006]和更高级的 操 作 [Schwarz and Müller 2015] 进 行 扩 展 。 Merrell 和Manocha [2008; 2011]引入了无限城市的过程模型，街道布局的过程建模已经通过使用向量场[Chen et al. 2008年]。同样，程序化方法已经成功地完全应用于立面建模[Müller et al.2007年]。城市建模已经与城市模拟相结合，以生成可生存的城市[Vanegas etal. 2009年，2010年b]，和城市增长[韦伯等人。2009年]。然而，大多数相关的工作仅仅关注城市结构，并认为植被只是一种装饰性的附加物。逆程序建模：我们的方法与逆程序模型有关，因为它从真实城市学习植物放置，并试图通过拟合程序模型的参数将其转移到合成城市。AlHalawaniet al. [2013]和Wu et al. [2014年]。Bao等人[ 2013 ]的工作可以生成程序编码的单一布局的变体，立面的分层性质已用于Ilčík等人的逆程序建模。[2015] Li et al. [2011b]，Dang et al. [2014]和Zhang等人[2013]。Dang等人利用了形状语法的交互式改变。[2015年]。建筑物可以通过使用Vanegas等人的逆过程方法编码为L系统。[2010a]，通过使用结构的程序连接建模[Bokeloh et al.2010]，或通过二进制整数程序[Kelly etal.2017年]。Talton等人研究了从现有数据中寻找程序模型的参数。[2011年]。他们使用L系统模块串的表达式来适应输入的生成结构。Ritchie等人[2015]试图使用随机蒙特卡罗方法控制过程程序和过程模型。 结构模式可以通过使用Yeh等人的方法进行编码。[2013年]或编码为L-系统的工作，第二十章：3ACM Transactions on Graphics，Vol.41，不。2、第二十条。出版日期：2022年2月Siava等人[2010年]。.我们的做法是生态系统结合野生生态系统的增长从Deussen等人。[1998]控制工厂管理。然而，与我们的工作相反，最初的植物放置纯粹是临时性的，他们的方法不允许与真实城市联系起来的程序性植物放置我们的方法定义了程序模型，并学习它们的分布来填充一个空的城市布局。此外，他们的方法是一种模拟，随着时间的推移，通过竞争资源来播种新的树木并淘汰其他树木我们的方法可以让整个城市的人同时参与进来。以学习为基础的方法：一些作品已经开始，受以前的作品的启发，它试图定义一个逆过程模型（城市森林），并找到它的参数。实际上，这是用来增加一个输入城市模型与植被。植物建模：长期以来，研究集中在基于分形[Aono and Ku-nii 1984; Oppenheimer 1986] 或 L- 系 统 [Lindenmayer 1968;Prusinkiewicz 1986]定义合理的分枝结构。其他方法集中于基于规 则 的 建模 [Lintermann 和 Deussen1999] ， 树 的 逆 过 程 建模[Stava et al.2010 ，2014] ，并发现分支结构的L- 系统[Guo etal.2020]。此外，基于草图的建模技术允许艺术家以交互式和更细致入微的方式制作植物模型[Ijiri et al. 2006年; Okabe等人 2007;Wither et al. 2009年]。替代方法尝试从图像自动重建植物模型[Liet al. 2021; Tan等人2008年，2007年]，视频[李等人。2011 a]或扫描的3D点云[Livny et al.2011; Xie et al.2016年]。仅在最近，几种方法还关注植物模型的动态和现实行为，包括生长[Longay et al.2012; Pirk等人，2012 a]，与风或火的相互作用[Pirk等人， 2017年，2014年]，或建立通过现实的材料[王等人。 2017; Zhao and Barbibirth 2013]。模拟植物对其环境的反应对于获得真实的分枝结构至关重要，当 植 物 成 群 或 沿 着 障 碍 物 放 置 时 [Mackich 和 Prusinkiewicz1996 ]。存在通过考虑植物的自组织来模拟这种现象的方法[Palubicki et al.2009; Runions等人，2007]，通过明确建模分支的可塑性[Pirk等人，2012 b]或通过动态适应支持结构，如可以观察到的攀缘植物[Benes和Millán 2002; Härich et al. 2017年]。芽和枝的生长、腐烂和修剪在植物发育中起重要作用[de Reffye et al.1988];一种通常在过程模型中参数化以开发令人信服的分支结构的现象[Stava et al. 2014年]。在我们的方法中，一旦确定了树木的位置，我们就在给定的位置种植树木，并根据资源竞争法则调整它们的形状。生态系统：各种工作集中在生态系统模拟。Deussen et al.[1998]引入了植物水平上的资源竞争，这种方法最近已扩展到生态系统中单个树木的竞争[Makowski et al. 2019年]。 各种技术试图模拟考虑不同现象的生态系统，例如侵蚀[Cordonnier et al.2017]或野火[Hädrich et al.2021]，甚至通过本地学习植物分布并将其用作交互式刷子[Emilien et al.2015; Gain et al.2017年]。与我们的方法密切相关的是Benes等人的工作[2011]城市模型探索用于场景生成和对象放置的基于学习的方法的能力虽然神经网络在图像分类方面表现出了卓越的性能，但合成[Khanet al.2020; Wu等人 2017]，或逆纹理建模[Guehl et al. 2020; Hu等人2019]任务，正确地将对象放置到有意义的配置中仍然是一个具有挑战性的问题。为了布置场景，方法需要连贯地生成对象以及对象彼此之间的合理且连续的姿态（平移和定向）。然而，大多数神经网络架构只允许在固定大小的输入和输出上操作，这使得放置任意数量的对象具有挑战性。 为此，许多方法引入卷积神经网络用于场景生成[Li et al. 2019; Ritchie et al.2018; Wang et al.2019]和Zeng et al. [2018]通过学习程序模型的参数来学习重建建筑物对于户外场景，Guerin et al.[2017]和Kelly et al. [2018]使用生成对抗网络来创作地形和建筑细节的虽然这些方法只与我们的工作有一定的关系，但它们显示了神经网络用于场景生成的能力我们还将基于图像的学习技术的优势与程序建模相结合，因为我们的目标是用神经网络学习程序模型的参数，从而真实地放置植物。3概述为虚拟城市景观生成合理的植被模型面临两个重大挑战：首先，不同功能和人口区域的植物位置不同（图2（a））-工业区可能只有少量未管理的植物，而住宅区不仅在道路旁有规则放置的树木，而且在花园和公园中也有。种植规则取决于文化、习惯、城市规则等。 它们很难量化。其次，植物模型需要模拟生长和与环境的相互作用，以生成具有高视觉逼真度的植物。此外，城市树木经常被修剪或可能缺乏资源（水或光），这阻碍了它们的生长并影响了它们的结构。为了解决这些挑战，我们提出了一个两阶段的过程建模管道。首先（图2），我们引入PPM（b），以根据布局策略和已知的植被种植规则生成合理的植物位置。可以为城市的每个功能区或人口统计区定义PPM（例如，住宅、商业或工业），并在单一地段（房地产）上运营。每个PPM都有一组不同的规则，由结构和位置参数化，以捕获在真实城市中发现的各种种植模式第二，一旦工厂最近，经过训练的深度神经网络与逆向程序建模相结合，利用草图进行建筑物的交互设计[西田等人2016]，从真实世界的图像中找到城市模型[Zeng等人2018]，以及大规模重建[Kelly et al.2017年]。逆过程建模也被用于生成整个Martinovic和Van Gool [2013]和Vanegas等人[2012年]。逆过程模型主要处理规则的结构（立面，建筑物，城市），只有少数几个重点随机问题（树，分布）20：·T.Niese等人ACM Transactions on Graphics，Vol.41，不。2、第二十条。出版日期：2022年2月图二、为了在城市环境中放置植被，我们提出了程序放置模型（b），该模型基于单个地块的几何形状、位置参数和区域标识符（a）来实现植被的放置策略 在生成植物位置（c）之后，我们使用发育模型（e）以及结构参数（d）来共同生长植物，这导致真实的3D植物模型。在产生位置时，我们使用最先进的发育模型（图2（e））来生长植物。 考虑到植物的位置和环境，生长过程会产生独特而逼真的分支结构。最后，我们开发了一种新的基于学习的管道，用于用植被填充真实城市的模型首先，我们使用风格转换网络将城市景观的卫星图像转换为植被覆盖图（图13（b））。覆盖图表示被地上植被覆盖的区域。其次，我们学习从覆盖图到PPM参数的映射（图13（d））。给定我们的管道和从真实卫星图像获得的参数值，我们可以生成类似于在卫星图像中可以观察到的植被。4种植规则道路网络将景观定义为行政或功能区[Waddell et al.2007年]，他们可以进一步分为农村，郊区，郊区和城市地区[米勒等人。2015年]。 所有涉及的植物都形成了城市森林，这是一个总括性术语，指的是城市和郊区的树木、灌木和灌木丛。将植被引入城市森林的一种常见方法是替换死树。 只有新建的开发区才有大片直接种植植被的区域。当一个新的社区建成，一个城市将种植定期间隔树木和灌木平行于道路和人行道，通过应用市政树木条例[灰色1995]（也见[米勒等人。2015，第254页]）。社区被细分为街区和街区到个别地段留给业主种植所需的植被通常情况下，城市仅定义特定的种植规则，例如单棵树之间的距离应取决于树的高度，或者距离来源于树木生存所需的土壤[Endreny 2018]。树木不应阻挡路口的视线它们应该与路边和人行道保持一定的距离[Bloniarz和Ryan1993]。紧急情况下，植物不得阻挡这些功能限制也与美学限制相结合：植物不应种植在窗户附近[Miller et al. 2015年]。这些规则中的大多数被结合到所谓的建筑活动区域（或建筑围护结构）中，该建筑活动区域是建筑物的2D投影的延伸在更高的层次上，我们的目标是程序化地为各种类型的区域生成植被因此，我们假设每个乌尔-图3.第三章。 城市布局：卫星图像（左），个别地段的区域数据（中）和覆盖地图（右）可在公共数据集中获得。 我们使用区域数据和地块几何形状作为程序模型的输入，并学习从覆盖图中预测其参数值。真实的或合成生成的BAN布局可以被划分成这样的区域。具体来说，我们使用了城市规划[Waddell 2002; Waddell et al. 2007]和城市模拟[Vanegas et al. 2009，2010 b; Weber et al.2009]并将城市布局分为五个区域：（1）住宅区包括人们居住的房屋和建筑物，（2）商业区包括百货公司、购物中心和小商店等企业(3) 工业区包括工厂和其他生产服务，(4) 街道区域，描述道路旁边的区域。 我们添加了一个分类（5）其他，包括公园，非管理区，靠近铁路的地区，未分配的地区等。如图3所示，我们进一步假设城市布局被组织为单独的地块，其中每个地块表示可能被建筑物占用的属性。 给定一个地块及其区域类型，然后定义一个PPM，将植被单独放置到每个地块中。根据对市政树木条例的观察[灰色1995;米勒等人。2015年]和以前的城市森林工作[Benes et al.2011]，我们定义了六个植树规则，并在第5.1节中的不同现实世界图像中显示它们。半随机放置在一个地段遵循泊松盘分布，防止树木在接近。树木通常沿着地段边界种植，作为隔音屏障，但也可以聚集在一起，形成有草和树荫的区域。沿着街道，树木通常作为一种屏障，并以等距的方式沿着中轴线种植。我们也可以观察到一个单一的树在很多或定期放置。此外，树木很少是一次种植的，它们的分布大多是长时间生长的一种突发现象 我们的目标是一次填充一个空的城市模型。因此，我们将种植规则定义为几何分布，允许我们将植物种群编码为程序模型，如下一节所示。5程序化城市植被城市景观的植被生成分为两步：首先，我们应用PPM为每个区域根据其功能类型单独播种植物。 在虚拟植物种植后，我们使用一个发展模型，在与周围环境互动的同时，在它们的位置动态地生长它们。 这允许植物适应其环境，例如由于资源竞争而导致树枝弯曲和脱落，从而产生具有高视觉保真度的植被。第二十章：5ACM Transactions on Graphics，Vol.41，不。2、第二十条。出版日期：2022年2月P.Σ∈{}PS关于我们VVKPKV VPBB5.1手术放置模型-PPM我们试图模拟植物形态和不同城市区域的植物放置差异，以现实地在城市景观中分布植被。定义和参数化的规则，以获得合理的工厂位置，同时坚持城市功能，如建筑物和街道，是棘手的。因此，我们将问题分解为指定第4节（工业、商业、住宅、街道和其他）中所示的不同区域和每个地段的布局模型。因子分解使我们能够定义一个可管理的参数化以及不同区域的放置策略。每个布局模型定义了一个简洁的策略，将植被放置到一个单一的地段。例如，我们有模型来随机放置植被，沿着很多的边缘，等距等。此外，我们定义的PPM在上下文敏感的方式。这意味着为了保持全局外观，PPM可以查询相邻批次以调整其参数（例如，同一地段道路两旁树木之间的距离，应与相邻地段的树木之间的距离相同PPM是一个元组M=S<$，Pp，Ps，（1）其中，<$R、B、C、E、S、I（见第5.2节和表2）是实现布局策略（规则）的函数，p是定义植物布局的一组位置参数，s是地块内植被地块和建筑物被定义为可能凹进去并带有孔洞的2D多边形（见图右）：PL=VL，EL，PH=VH，EH，其中VL和VH分别表示地块（L）和建筑物（H）的顶点，EL和EH分别表示地块和建筑物的多边形的边。很多可以包括多个建筑物（或其他结构）：U={Pi}。多边形图四、 给定很多，我们使用放置策略来定义植被的放置。 区域标识符Z用于选择结构参数s和位置参数p的参数值。总之，策略和参数使我们能够根据城市内的市政区域P=PH− <$Pi，<$Pi∈UPPM仅将植被放置在多边形P的几何形状内。然后，生成单个批次的一组工厂位置，X=S<$（Vp，Vs，P，Z，K），（2）其中p和s表示位置p和结构s参数的参数值，P是单个地段的多边形，Z是区域标识符，并且是地段的上下文 我们使用Z为每个批次选择参数值。例如，住宅和商业地段可以使用相同的策略（例如，边界）但是它们的参数值不同（例如，使用不同的物种这在图4中示出。生成具有相同Z值的植被会产生统一的外观（每个地块使用相同的设置），而随功能区变化的Z会产生多样但连贯的外观。换句话说，Z允许我们在全球范围内控制植被的位置最后运用根据批次的相邻批次修改输入参数，以实现第5.5节中详述的一致的全局外观。图五、在不同的放置策略下，单个批次上的位置参数变化。（a）-（c）：战略边界有窄（a）和宽(b) 边界尺寸和较小的密度（c）。（d）簇（d）和不同大小的多个簇（e）（f）。（g）（j）-（l）L，定义了可覆盖的地块面积20：·T.Niese等人ACM Transactions on Graphics，Vol.41，不。2、第二十条。出版日期：2022年2月联系我们N→ NX|−|≥n ∈ X≤XK见图6。半随机、边界和集群放置策略使用可变半径泊松磁盘采样来定位树。总之：PPM定义了放置策略以及用于填充单个批次的结构和位置参数改变这些参数的值在局部尺度上在策略的约束内产生不同的工厂位置，同时联合地改变参数-例如，基于分区类型-允许我们在全球范围内改变植被。5.2放置策略放置策略<$R、B、C、E、S、I（半随机、绑定、集群、等距、单个和单个树）定义用于放置植物的规则以及如何使用参数为了实现不同的放置策略，我们计算每个地块内的活动区域，这些区域定义了植被可以被安置。对于策略半随机和单一的整个地段图7.第一次会议。左图：建筑物外围护结构（蓝色）定义了一个区域，不能种植植物，以避免靠近墙壁和堵塞门窗。右图：不考虑建筑围护结构的植物放置最大值由π定义。 对于这两种策略，边界和集群，我们首先计算活动区域（边界，集群圆），然后生成样本位置。规则和等距：允许半规则的植被放置。经常使用多边形PL，而对于策略边界和聚类，策略来计算我们在多边形内定义有效区域;即，我们定义一个沿多边形边缘朝向其中心的边界作为边界，并定义一个围绕多边形内随机选择的点的圆形区域作为簇。 对于等距，我们计算多边形的中轴，然后沿着轴生成等距的植物位置。 单一策略定义了单个工厂在整个批次中的随机布局。最后，对于正则，我们计算一个大量对齐的网格，并将植物放置在每个单元格的中心图5显示了六种布局策略中的四种及其参数变化。5.3位置参数半随机、边界和集群：布局策略由表1中所示的位置参数参数化。我们使用可变半径泊松圆盘采样[Mitchell et al. 2012]在一个地块的活跃区域内生成植物位置（见图6）。更具体地说，我们感兴趣的是生成一组点与空间变化的点密度。新的位置样本y被分配半径r（y）：Ω（μ，σ），其中表示具有均值μ和方差σ的正态分布。如果满足以下条件，则接受新位置样本y并将其添加到集合中：yXr（x）+r（y） X.对于边界放置策略，我们将边界大小定义为参数β，该参数定义了沿多边形边缘法线朝向其中心的区域。为了实现聚类策略，我们在一个批次中随机采样点，并将聚类区域定义为半径为κ的圆。很多地方可以有不同数量的俱乐部-规则晶格-基于边界框用ω定义单元格的大小，用η定义它们的方向。我们可以选择在每个单元格内使用抖动来抖动位置。为了实现等距策略，我们首先计算地块多边形P L的中轴[Choi et al. 1997]，然后基于距离参数δ沿轴等距放置植物。我们通过定义参数τ来对所有放置策略的植被密度进行建模，该参数使中的位置样本失效。τ=1的值激活所有样本，而τ1的值随机停用它们，直到所有样本被停用（τ=0）。最后，我们定义了一个地段上下文中的半径上下文被定义为相邻的地段，我们使用它可以对上下文敏感性进行建模（见5.5节）。单：最后， 我们随机抽取一个位置，作为单策略（见右图）。建筑围护结构：树木不应太靠近建筑物，不应遮挡门窗。我们采用了建筑围护结构的概念[Miller et al.2015]，其定义了与建筑物的净空距离此外，我们在门和窗的前面延长了包络，以避免它们的阻塞（见图7）。第二十章：7ACM Transactions on Graphics，Vol.41，不。2、第二十条。出版日期：2022年2月.Σ∈X≤表1.PPM的位置和结构参数参数含义范围/尺寸位置μστβκπωψηδξ植物包络平均值植被被膜方差植被密度边界大小簇半径最大聚类数规则网格大小规则抖动规则方向等距间距上下文半径[1m-10米][0.1-2]个【0-1】[0m-5米][1m-20米]【0-5】[5m-50米]【0-1】【0-180度】[0m-10米][0m-300米]结构αρθγλ最大植物年龄乔灌比物种多样性修剪因子. 物种[0【0-1】【0-1】【0-1】[1-10]表2. 放置策略和使用的位置参数战略符号μστβκπωψηδξ半随机RCCCCCCCCCCCCCC CC C CCCCCC边界B集群C等距E单个S定期我表1总结了位置参数及其范围，表2显示了放置策略及其相应的位置参数。更改位置参数值的示例如图5所示。5.4结构参数我们定义了结构参数来模拟单个树木的形态以及一个地段内的植物种群基于计算出的植物位置，我们将植物种子定义为元组T= p，α，γ，（3）其中p是植物位置，α是最大年龄，α表示物种标识符，γ是修剪因子。 为了生成分枝结构，我们用发育模型（见5.6节）种植一株植物，并与所有其他植物一起模拟其生长。我们定义了几个物种（n=10）为整个城市景观选择参数值为我们的发展模型[Palu-bicki et al.2009年]。然后，我们使用物种标识符将其中一个物种与种子相关联。我们通过使用参数ρ来进一步控制这个选择，参数ρ定义了树与灌木比例很大。ρ=1的值表示所有种子都是高生长的物种，而ρ=0的值只表示矮生长的物种。为了在一个批次中改变所使用的物种的数量，我们使用参数θ。我们随机选择一个种作为优势种，用θ作为比值来控制与优势种相关的种子数图8.第八条。结构参数的变化 顶行：年龄参数从年轻（左）到老年（右）的变化。中排：乔灌比从只有灌木到以乔木为主的变化底行：从单一物种（左）到多个物种（右）的物种多样性变化图9.第九条。上下文敏感性：我们用相邻批次（上下文）的参数值校准批次的参数值在这里，我们展示了两个批次配置与规则的布局策略和变化的参数μ和σ。对于顶行中所示的批次，上下文敏感性被关闭，并且植物放置从一个批次突然改变到另一个批次，而对于底行，我们显示了跨批次的上下文敏感性以及由此产生的参数校准（上下文半径：λ=180 m）。有能力的物种 θ = 0。5将一半的可用种子设置为优势种，另一半设置为随机选择的种子。最后，我们可以通过完全开发的模型的树冠的包围体来修剪植物。这使我们能够生成更有组织的植被外观，例如，沿着大道或高速公路。伸出体积的分支将被切断。我们通过γ缩放该体积;γ = 1的值将使植物不被修剪，而γ1的值缩放包围体积，因此导致修剪的植物。修剪后，我们再次模拟植物生长，以开发更小的树枝和树叶。 图11示出了树的修剪的示例;图8示出了结构参数的其他变型。20：·T.Niese等人ACM Transactions on Graphics，Vol.41，不。2、第二十条。出版日期：2022年2月KVVVS PP.VL5.5上下文相关规则到目前为止，地段一直被视为独立的单位，没有任何相互关系。然而，每个地段都有其周围的道路和相邻地段的背景。邻居们经常分享由申请市政树木条例提供的类似的种植规则[Grey 1995;Miller et al. 2015年]。 为了说明地块的背景，我们想要调整种植规则。让我们回想一下，来自等式（1）的每个PPM已经关联了放置策略D和两组参数p和s。每个批次都有一组来自公式（2）p和s的参数值。此外，它还考虑了上下文（即，邻近区域），该区域被填充有工厂位置等式（2）。 此外，让我们将特定批次L及其参数值表示为L。在下面的文本中，我们将省略较低的索引s和p，因为参数以相同的方式计算 上下文是以批次L为中心的半径范围内的批次集合，并由2D高斯加权。相邻者和批次L的对应参数（参见表1）的值根据在参数setV_L处计算的距离加权为：图10个。上一行：生长在不同环境条件下的树木 从左到右：两棵树彼此靠近，靠近一组建筑物，在一个阳台下面。底行：城市环境中一组树木的生长反应产生了复杂而独特的分支结构。V=K∈ K W.d（L，LK）≠VK，（4）其中w（d（L，LK））是在所研究的上下文内批次L的中心与LK之间的高斯加权距离，并且VK是批次LK的参数的值。更新后的参数值随后用于PPM。注意，这个过程可以被认为是半径λ内参数的扩散。 图9显示了在树的规则放置上使用上下文敏感性的效果。第一行显示了两个具有规则树布局的地块，其中相邻地块中的随机布局突然改变，当使用上下文时，相邻地块被平滑成半随机过渡（底行）。5.6植物发育模型在生成植物位置之后，我们在单个批次的计算位置中共同种植植物我们的发展模型是基于Palubicki等人的工作[2009];树是模块化系统（叶、芽、茎和节间）。 节间是两片或多片叶子之间的植物茎，树由节间的一部分组成。初生植物的发育受顶芽或侧芽的生长控制枝通过顶芽的扩展而在顶端扩展，或者通过侧芽的生长而在侧面扩展芽使用生长激素生 长 素 的 信 号 传 导 来 防 止 过 度 生 长 并 控 制 顶 端 优 势 [Ke-brom2017]。次生植物发育（形成层生长）是树干和树枝的增厚[Kratt et al. 2015]通过使用达芬奇规则扩展其半径来模拟树木通过寻求光线（向光性）和避免碰撞和过度拥挤来竞争空间。已经实施了许多不同的算法来捕获植物对资源的竞争（参见Mackich和Prusinkiewicz [1996]，Runions et al. [2007]和Pirk etal. [2016]为一个概述）。我们使用Palubicki等人的空间占用方法[2009]和Runions et al.[2007年]，图十一岁树枝修剪允许调整和组织树形。在这里，沿着街道的树木被严重修剪，形成一个树篱（γ= 0。7）。通过随机分散的粒子吸引生长的树枝来控制生长。我们还通过计算芽的光照度和将生长方向弯曲到芽可见的最亮点来模拟向光性通过使用来自[Stava et al. #20102;的参数。6学习种植直接从图像数据学习植物位置是一个具有挑战性的问题，现有的神经网络架构或其他方法无法轻松解决。 为了以端到端的方式获得植物位置，网络将不得不输出可变数量的植物位置或对固定大小的域（例如图像）进行操作。后者需要获得工厂位置作为后处理步骤，这是容易出错的。此外，生成卫星图像和植物位置的地面实况数据对（例如，GPS坐标）来训练神经网络是具有挑战性的（参见8.3节的讨论）。此外，基于端到端深度学习的系统将牺牲对底层机制的深入理解 它不允许交互式编辑所需的低级控制。因此，为了恢复自然城市景观的位置和外观，我们的目标是在我们的位置参数的参数空间这样做的好处是，我们上面定义的PPM可以作为先验知识，这有助于规范我们的网络训练，进而生成合理的工厂位置。此外，学习程序模型参数第二十章：9ACM Transactions on Graphics，Vol.41，不。2、第二十条。出版日期：2022年2月P∈ U∈Q××将图像映射到易于理解和直观的参数，提供了一种有效的方式来进一步编辑植物放置。6.1学习工厂安置我们使用两阶段神经网络管道来学习PPM的参数：首先，我们将卫星图像转换为描述植被覆盖率的语义地图（图13（a-c））。其次，我们使用轻量级卷积神经网络从覆盖图中学习位置参数（图13（d）和（e））。该流水线的优点在于，我们不需要依赖于成对的卫星图像和位置参数来进行训练，而是依赖于成对的覆盖图和位置参数，其可以用我们的PPM来合成生成。为了将卫星图像转换为覆盖地图，我们使用了风格转移深度神经网络[Isola et al.2016年]。覆盖图是一幅单色图像，其中每个像素的颜色都基于卫星图像中相应的像素是否代表植被。覆盖图具有不太复杂的视觉特征，并且类似于真实和合成数据。因此，网络可以学习这种转换。我们使用一些城市公开提供的成对卫星图像和覆盖图[NYCOpenData 2019]来训练风格转移网络，以从卫星图像中学习覆盖图。这使我们能够获得覆盖率数据不存在的城市的覆盖率地图。图23（附录B）显示了训练数据和生成的覆盖图的示例。然后，我们训练一个神经网络，从覆盖图中获得位置参数值（μ，σ，τ，β，κ，π，见表1）。训练是在综合生成的覆盖图对和从我们的PPM获得的位置参数上进行的。具体地，我们将生成的覆盖图定义为q，我们知道其对应的位置参数p。因此，网络可以定义为f（q）：Q → U。总而言之：我们的管道的第一阶段从卫星图像中学习覆盖图，在第二阶段，这使我们能够获得PPM的位置参数这使得我们能够为具有与卫星图像中观察到的相似特征的各个地块生成植被位置（例如，植物距离、密度等）。一旦生成参数，我们就用每个地块的几何形状对覆盖图进行 我们将区域转换为多边形，然后使用半随机布局策略在地块覆盖区域内生成植物位置（图12）。请注意，半随机策略由CNN神经网络学习的位置参数值（表1）正则化（见图13（d）和（e））。 由于覆盖图定义了植被应放置在地块内的区域，因此仅依赖于半随机放置就足够了。6.2数据和培训为了训练Pix2Pix风格转换网络，我们依赖于Python中我们在20K对卫星图像和覆盖图上训练网络 这些数据是通过三个步骤生成的：首先，我们从谷歌地图中获取卫星图像，每张图像的分辨率为256 × 256像素。这些图像对应于最低的图12个。基于真实数据的植被布局：我们使用植被覆盖图（中）来识别各个地块的活跃区域，并使用PPM填充它们这使我们能够生成类似于卫星图像（左）中观察到的植物分布（右）图十三.神经网络管道：我们使用基于NYCOpenData [ 2019 ]数据对训练的风格转换网络（b）将卫星图像（a