以特征线和高程范围为约束的 DEM-cGAN 框架

主要贡献。 提出以地形特征线和高程范围为约束的DEM-cGAN框架，设计双尺度并行生成网络ParallelGen，实现从特征草图到高保真地形数据的端到端生成。

研究概述

目前大规模地形生成方法依赖传统数学方法，缺乏用户控制且实现难度大。尽管深度学习已介入地形生成，但缺少公开的训练数据集，且未对经典生成网络的固有缺陷作出改进。本文构建了由地形特征草图、地形灰度图像、高程分割图像和DEM数据组成的数据集，提出DEM-cGAN框架，通过三步级联的生成流程实现从特征草图到完整高程数据的转换。

研究问题

传统地形生成方法缺少用户控制，已有深度学习方法未公开数据集且未改进生成网络固有缺陷。本文通过构建专属数据集和改进网络结构，使地形生成更加便捷可靠。

核心思路

DEM-cGAN框架将地形生成分解为三步级联任务：特征草图→灰度图像→高程分割图像→DEM数据。核心创新在于双尺度并行生成网络ParallelGen，以及将高程范围标签作为隐式约束融入网络中间层。

关键组成

Step 1

特征草图→灰度图像

输入地形特征草图（山脊线与山谷线），生成地形灰度图像，获取地形总体起伏状况。

Step 2

灰度图像→高程分割图像

在网络中间层融入地形高程标签，将高程范围作为约束条件限制高程分割图像的生成效果。

ParallelGen

双尺度并行生成网络

由G_big和G_small两个子网构成并行结构，G_big捕捉局部细节，G_small提取全局特征，融合后输出最终结果。

DEM-cGAN框架包含三步级联生成流程：Step1从特征草图生成灰度图像；Step2在灰度图像基础上融入高程标签生成分割图像；Step3从分割图像生成DEM数据。用户只需提供地形特征草图和高程标签即可。

ParallelGen由G_big和G_small两个并行的子网组成。G_big接收原始输入并负责捕捉局部细节，G_small接收下采样后的输入以提取全局语义特征。两个子网输出融合后经反卷积得到最终结果，有效解决了高分辨率地形生成问题。

训练采用cGAN损失加L1损失的组合策略。在Step3中额外引入高程值归一化前的L1损失，以更精确地约束高程值分布。判别网络采用PatchGAN结构，通过对图像分块判别平均得到最终结果。

实验结果

SSIM (256)

0.8151 相似度

+0.046 vs pix2pix

灰度图像生成质量

SSIM (512)

0.9122 相似度

+0.086 vs pix2pix

高分辨率灰度图像

Cosine (512)

0.9864 相似度

+0.029 vs pix2pix

512分辨率最优

最大栅格尺寸

512x512 像素

支持的最大分辨率

在256和512两种分辨率上，本文方法在SSIM、余弦相似性和Pearson相关系数等指标上均优于pix2pix基准。生成的DEM数据能正确还原特征草图中的起伏走势，符合现实地理学规律。

结论

本文构建了包含多类地形因子数据的DEM数据集，提出的DEM-cGAN框架成功将地形特征草图和高程标签作为DEM编辑因子。设计的双尺度并行生成网络ParallelGen使各阶段生成结果均接近真实效果，能应用于最大512分辨率的DEM生成流程。

核心结论。 通过将地形生成分解为三步级联任务，并设计双尺度并行网络，可以在仅有特征草图和高程范围的条件下生成高保真DEM数据，为地形生成提供了用户友好的交互方式。

BibTeX

@article{jiang2021dem_cgan,
  title   = {以特征线和高程范围为约束的 {DEM-cGAN} 框架},
  author  = {{江西林} and {王少荣} and {李文玉} and {汪国平}},
  journal = {计算机辅助设计与图形学学报},
  volume  = {33},
  number  = {8},
  pages   = {1191--1201},
  year    = {2021},
  issn    = {1003-9775},
  doi     = {10.3724/SP.J.1089.2021.18656},
  url     = {https://www.jcad.cn/article/doi/10.3724/SP.J.1089.2021.18656}
}