深度学习与大模型技术在北京中轴线实景重建中的应用

doi:10.12267/j.issn.2096-5931.2024.12.012

信息通信技术与政策 ›› 2024, Vol. 50 ›› Issue (12): 82-88.doi: 10.12267/j.issn.2096-5931.2024.12.012

深度学习与大模型技术在北京中轴线实景重建中的应用

The application of deep learning and large model technology in the real reconstruction of Beijing Central Axis

王天舟, 张华, 刘奇申, 黄超

腾讯科技(深圳)有限公司,深圳 518057

收稿日期:2024-11-10 出版日期:2024-12-25 发布日期:2025-01-02
作者简介:
王天舟, 腾讯科技(深圳)有限公司高级研究员,主要从事人工智能和游戏引擎技术探索和研究工作；
张华, 腾讯科技(深圳)有限公司高级研究员,主要从事人工智能和游戏引擎技术探索和研究工作；
刘奇申, 腾讯科技(深圳)有限公司高级研究员,主要从事人工智能和游戏引擎技术探索和研究工作；
黄超, 腾讯科技(深圳)有限公司标准研究员,主要从事人工智能标准化研究工作

WANG Tianzhou, ZHANG Hua, LIU Qishen, HUANG Chao

Tencent Technology (Shenzhen) Co., Ltd., Shenzhen 518057, China

Received:2024-11-10 Online:2024-12-25 Published:2025-01-02

摘要/Abstract

摘要：

参考卫星地景数据以及北京市政公开的城市规划数据,并用大模型技术对该数据进行样本扩充,然后对这些样本数据进行多模型联合学习训练。通过模型训练对北京市区的高清卫星底图以及多光谱数据进行高精度的测量还原(包括城市建筑物底座、植被和道路),并运用大语言模型技术进行程序化三维建模,最后在虚幻引擎中自动生成。该流程对北京中心1 000 km²范围内进行了地景资产的复刻重现。本方法不仅提高了城市建模的效率和准确性,而且为城市规划、历史保护等领域提供了新的研究工具和视角。

关键词: 深度学习, 大模型, 重建

Abstract:

This paper refers to satellite landscape data and urban planning data published by the government, and uses large model technology to expand the sample size. Then, the sample data are used for multi-model joint learning training. Through model training, the high-definition satellite base map and multi-spectral data of Beijing urban area are measured and restored with high precision, including the urban building base, vegetation, and road. The large language model technology is used to program three-dimensional modeling, and finally automatically generates in the Unreal Engine. The process reproduces landscape assets within a 1 000 square kilometer area of central Beijing. This method not only improves the efficiency and accuracy of urban modeling, but also provides a new research tool and perspective for urban planning, historical preservation and other fields.

Key words: deep learning, large model, reconstruction

中图分类号:

TP391.9

王天舟, 张华, 刘奇申, 黄超. 深度学习与大模型技术在北京中轴线实景重建中的应用[J]. 信息通信技术与政策, 2024, 50(12): 82-88.

WANG Tianzhou, ZHANG Hua, LIU Qishen, HUANG Chao. The application of deep learning and large model technology in the real reconstruction of Beijing Central Axis[J]. Information and Communications Technology and Policy, 2024, 50(12): 82-88.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2024.12.012

http://ictp.caict.ac.cn/CN/Y2024/V50/I12/82

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	7	0	0	63

来源	本网站	其他网站

次数	67	3
比例	96%	4%

摘要

130

最新录用	在线预览	正式出版

0	0	130

	来源	本网站

	次数	130
	比例	100%

[1]	HU J E, SHEN Y L, WALLIS P, et al. LoRA: low-rank adaptation of large language models[J]. arXiv Preprint, arXiv:2106. 09685, 2021. DOI:10.48550/arXiv.2106.09685.
[2]	LVMIN ZHANG L M, ANYI RAO A Y, AGRAWALA M. Adding conditional control to text-to-image diffusion models[J]. arXiv Preprint, arXiv:2302.05543, 2023. https://arxiv.org/abs/2302.05543.
[3]	HE X, ZHOU Y, ZHAO J, et al. Swin transformer embedding UNet for remote sensing image semantic segmentation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022,60:1-15.
[4]	MUHAMMAD U N, JULIAN T. Practical PCG through large language models[J]. arXiv Preprint, arXiv:2305.18243, 2023. https://arxiv.org/abs/2305.18243.
[5]	CHAILLOU S. ArchiGAN: a generative stack for apartment building design[EB/OL]. (2019-07-17)[2024-11-08]. https://developer.nvidia.com/blog/archigan-generative-stack-apartment-building-design/.

[1]	张圆梦, 周琴, 袁丽莉. 大模型驱动下智能化城市公共服务应用探究[J]. 信息通信技术与政策, 2024, 50(9): 37-42.
[2]	李峰, 乔春庚. 一种基于大模型技术的算力产业监测服务平台设计[J]. 信息通信技术与政策, 2024, 50(6): 45-53.
[3]	李帅峥, 钱正, 董正浩, 史翔. 政务大模型的技术应用路径及发展建议[J]. 信息通信技术与政策, 2024, 50(6): 76-82.
[4]	车碧瑶, 张永航, 廖怡, 唐剑, 樊小平, 赵继壮, 陆钢. 运营商大模型硬件基础设施创新及RDMA流量控制技术研究[J]. 信息通信技术与政策, 2024, 50(2): 26-32.
[5]	王蕴韬. 大语言模型核心架构演进态势分析[J]. 信息通信技术与政策, 2024, 50(12): 13-20.
[6]	李论, 郭英男, 王子暄. 大模型智算基础设施夯实新型工业化赋能底座[J]. 信息通信技术与政策, 2024, 50(12): 2-6.
[7]	刘威辰, 杨华锋, 江民民, 刘敬谦. 大模型应用服务平台建设研究[J]. 信息通信技术与政策, 2024, 50(12): 21-30.
[8]	董昊, 刘星辰, 曹峰, 张发恩, 高凌燕. 人工智能赋能制造业全流程的技术及应用研究[J]. 信息通信技术与政策, 2024, 50(12): 42-50.
[9]	曹炜, 宋楠, 谢宏. ET数据全生命周期治理技术及应用[J]. 信息通信技术与政策, 2024, 50(10): 75-81.
[10]	李腾达. OnePower多模态大模型助力能源数字化转型[J]. 信息通信技术与政策, 2024, 50(10): 82-90.
[11]	王强, 李家红. 进化深度学习在工业园区能源管理中的应用场景创新研究[J]. 信息通信技术与政策, 2024, 50(10): 91-96.
[12]	武林娜, 宋恺, 王淞鹤. 生成式人工智能对个人信息安全的挑战及应对策略[J]. 信息通信技术与政策, 2024, 50(1): 13-18.
[13]	李可, 李雅茹, 王凯悦, 滕瑞, 崔春风. 面向6G网业融合的三维重建技术研究[J]. 信息通信技术与政策, 2023, 49(9): 46-51.
[14]	李静雯, 王令珑, 赵阳光, 崔伟男. 机器学习在眼科疾病辅助诊疗中的应用及监管^*[J]. 信息通信技术与政策, 2023, 49(9): 87-91.
[15]	曾汉, 徐晓青, 钱刘熠辉, 武娟. 深度学习在IP网络优化中的应用[J]. 信息通信技术与政策, 2023, 49(7): 89-96.

深度学习与大模型技术在北京中轴线实景重建中的应用

The application of deep learning and large model technology in the real reconstruction of Beijing Central Axis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 5

相关文章 15

编辑推荐

Metrics

本文评价