Edited by Ben. Get the knowledge flowing and circulating! :)
目录
※ Today‘s paper1
keywords: Urban Morphology Simulation, Generative Adversarial Networks
整体来说，可操作性还是比较强的。
提取城市
指出了地理数据是非常稀疏的，不好直接用来训练，以前的方法都训练的时候出现了不稳定的现象
利用了一些城市的特性，（地形、水域、夜晚路灯）
提出了评估方法
GAN的使用在这里被反复提起，可以深入学习一下。我也打算开始深入学习一下！
书写的也很不错，这篇文章看起来很丝滑。
还有很重要的一点，我现在的论文阅读的模板感觉越来越顺了，继续加油，Ben，你ok的！
the instability problem of the previous GAN-based model for city simulation tasks
基于位置属性的城市形态模拟是城市科学领域的一个具有挑战性的课题。
本文利用了地理知识，提出了一个基于GAN的framework用于城市形态模拟；
融合了一个progressive growing structure来学习分层特征
设计了一个geographical loss to impose the constraints
实例：we design a geographical loss to approximate the constraint that urban areas can not be on the water, making our model easier to learn the impacts of water areas.
也就是说，一些实际的地理或者尝试限制，可以辅助训练过程。比如，城区不可能在水上。所以可以学习哎到水域对城市的影响。
提出了一个comprehensive evaluation framework用于城市系统的复杂结构
We propose a comprehensive evaluation framework for assessing whether a generated city is like a real city and how similar the generated city and the corresponding real city are, which makes up the shortcomings of the previous city extraction evaluation standards.
文章提出了一个综合的评估框架来评估生成的城市和真实城市之间到底有多相似，补充了之前城市提取准则中的一些缺陷。
启发：可以从一副地图上提取城市吗？
进一步的启发：能不能自动识别/提取出校园的地图呢？
比如利用提取方法；
然后利用一些准则，判断提取的城市和真实城市之间是否足够的相似？
就算单独使用自然地理特征，MetroGAN也能生成城市的形状
结果证明了，MetroGAN solves the instability problem of previous urban simulation GANs and is generalizable to deal with various urban attributes.MetroGAN 解决了以往城市模拟GANs的不稳定性问题，并具有通用性，可以处理各种城市属性。
现有的基于GAN的方法，受限于城市数据的稀疏性和模型训练中的不稳定性；
现存的方法无法对城市形态仿真中的一些高维特征进行建模，所以方法不太靠谱！
机器学习、深度生成模型对这些特征比较有效：其中Generative Adversarial Network (GAN)在研究spatial effects of geographical systems方面，效果好像十分显著！
因为这个生成城市形态学，有点像是图像生成（GAN系列方法的强项）。
这个训练过程主要的问题：数据的稀疏性。因为有很大比例的数据（像素）是0或者其他更低的数字。之前的GAN-based方法也是因为这个原因导致训练过程不稳定。
这个是可以想象到的，毕竟一个图片里，主题也就那个target，如果放在地图上，或者城市的形态图上，肯定大片的湖泊、公园等等，街道和住宅还是占比比较少的。从比例方面来看，数据确实是非常稀疏的。
解法：重要的方法之一，就是把地理知识嵌入训练过程。听上去确实可行，毕竟如果利用地理知识，我们可以在训练之前知道哪些是绿地等等
we collected the urban builtup area map (one commonly used proxy of urban morphology) as labels in our experiments. For inputs, we build a global city dataset using three layers:
terrain [digital elevation model (DEM)], water, and nighttime lights (NTL). 地形 [数字高程模型 (DEM)]、水、 和夜间灯光 (NTL)。
前2个layers是location’s physical geography characteristics, which might dominate the growth of cities [7]。
第3个，也就是NTL，是一个 good proxy of socioeconomic development and has been recognized to be helpful in city extracting tasks [8, 22].
Compared with terrains and water, NTL data is a more widely used proxy to extract urban areas [8, 22]. Two main NTL data sources are DMSP-OLS (Defense Meteorological Satellite Program’s Operational Linescan System) [11] and NPP-VIIRS (Suomi National Polar-orbiting Partnership satellite with the Visible Infrared Imaging Radiometer Suite sensor) [10].
文章自己定义了一个评估标准，毕竟城市的结构很复杂，如何评估生成的城市呢？
传统的方法只关注像素，本文关注：four levels: pixel level, multi-scale spatial level, perceptual level, and macroscopic level.
启发：这里的评估标准，也可以在我们后期的工作中采用呢！
文献[18], 主要参考思想。Based on this idea
提取城市的方法：[8] [15] [22]
GAN的优势：GAN has been demonstrated to be a powerful tool to fit highdimensional complex distributions [13].
需要进一步深入阅读才能理解的内容
With the new evaluation standards, we validated the superiority of our model on three baselines. Through ablation study, we show the comparison of mainstream GAN stabilizing techniques and the significant effect of geographical loss, the volume of the urban dataset, and progressive training in urban form simulation tasks.
直接翻译：利用新的评价标准，我们在三个基线上验证了我们模型的优越性。通过消融研究，我们展示了主流GAN稳定技术的比较，以及地理损失、城市数据集体积和城市形态模拟任务中渐进式训练的显著影响。
贡献：不仅可以是发布了代码，也可以是发布了数据集，比如文章这里说发布地图数据集。
城市科学（Urban Sciences）是以城市为研究对象，从不同角度，不同层次观察、剖析、认识、改造城市的各种学科的总称。
城市具有的特性：
physical geographic features (terrain and water area)
highly structural
hierarchical characteristics
fractality
the polycentricity
the scaling laws
hierarchical and self-similar characteristics of urban systems
城市特性的影响：单一的指标无法评估生成的城市
urban dynamics, 会产生很多影响：经济增长、气候改变、持续发展...
研究的方法一般是：
morphology
the spatial configuration
对于城市的morphology，有哪些可以shape它呢？
geographical situations,
initial settlements,
technological developments,
economic activities,
and others.
Among them, physical geography (e.g., terrains and water bodies) and socioeconomic activity (e.g., nighttime lights) are important indicators
学习GAN，应用在校园地图提取 or 生成中！[13] [36] [30] [2] [1]
问题要解决：数据很稀疏！
The above-mentioned GAN applications give a consistent body of evidence that GAN is good at learning the complex mapping between different geographical domains and considering spatial effects and structural connections in geo-spatial systems. 翻译：上述GAN应用提供了一致的证据，表明GAN擅长学习不同地理域之间的复杂映射，并考虑地理空间系统中的空间效应和结构联系。
欢迎大家点开「这篇论文我读过」系列。本系列笔记是我在科研学习过程中，非常非常重要组成部分之一！
该系列的笔记主要包括：
论文中好的想法的理解和感受；
论文中的工作引发我的思考；
以及其他可以吸收的有价值 | 有意义的内容。