一种多模态协同驱动的DiT城市布局生成方法

本发明属于计算机视觉与城市设计交叉领域，提出多模态协同驱动的DiT城市布局生成方法，以解决现有生成模型在空间合理性与规划可控性方面的不足。该方法创新性构建基于transformer的扩散生成模型，在DiT模型中集成两个额外控制信号实现受控生成。在模型架构设计上，构建多模态条件融合的DiT框架，集成路网草图（图像控制）与规划语义（文本控制）双重引导机制。文本模态上，设计基于预训练语言模型的动态语义融合模块，将文本信息深度嵌入生成过程。图像控制方面，提出混合注意力调控机制，结合交叉注意力与AdaLN技术实现路网结构特征多尺度融合，解决空间布局失真问题。实验表明，该方法能有效综合文本和图像信息，生成的城市布局图像优于现有方法。