1 引言

近年来，人工智能（Artificial Intelligence，AI）技术取得飞速发展，主要可分为判别式和生成式两大类。其中，判别式AI（Discriminative AI）的核心目标是学习输入数据X与输出标签Y之间的直接映射关系，即条件概率分布P(Y|X)，从而在给定输入的条件下预测合适的输出结果。如图1（a）所示，判别式AI主要旨在解决分类、目标检测等判别型任务。生成式AI（Generative AI）不仅关注输入与输出之间的关系，还重在理解输入数据本身，即学习数据的联合概率分布P(X, Y)或输入数据自身分布P(X)，从而能生成新的数据样本。如图1（b）所示，生成式AI致力于解决文本生成、图像生成等生成型任务。

通过对比两者在核心目标和建模方式上的根本差异可以发现，判别式AI由于仅关注"输入-输出"之间的映射关系，往往容易忽视对数据本身进行深层次理解。而生成式AI必须基于对数据分布及底层结构的深入理解，才能有效生成符合人类预期的结果。从技术角度看，生成式AI在解决高维度、开放性和复杂性问题上，展现出卓越潜力。

2023年Gartner在研究报告中就将生成式AI定义为未来的战略技术。目前，生成式AI已为科学研究、艺术与设计、教育、工业生产、商业等众多领域带来了深刻变革。在生命科学研究领域，AlphaFold系列生成式AI模型使蛋白质结构预测变得前所未有地高效、廉价和普及。通过减少对传统耗时且高成本手工实验的依赖，AlphaFold显著加速了药物研发、疾病研究和生物制品设计进程。AI的突破甚至引发了科学研究的范式转变。在地学领域，中国科学院发布了全球首个多模态地理科学大模型"坤元"（Sigma Geography）。与ChatGPT等通用领域的大模型不同，坤元大模型根据地学领域面临的问题和需求进行设计，具备丰富的地理专业知识，从而能能实现地理专业问题解答、专业文献智能分析、地理数据资源查询与分析、专题地图绘制等一系列功能。

生成式AI模型为各行业垂直领域带来重大机遇，但也面临诸多挑战。其中一个关键问题是如何将行业特定任务需求传达给模型，来激发其相关"记忆"。对于已经从海量训练数据中获取了丰富知识的生成式AI大模型而言，恰当的"提示"是充分发挥其创作性潜能的关键，更是确保其生成内容真正满足用户预期的前提。语言文本作为人类表达意图的基本媒介，凭借其丰富的语义和便捷性，是人与AI模型"沟通"的首选。因此，基于文本引导AI模型进行图像生成或编辑的"文生图"（Text-to-Image）技术，长期备受学术界和工业界的广泛关注。这种将语言描述高效转换为图像或视频等数字化内容的技术，在许多行业中都展现出巨大的应用潜力，包括但不限于游戏开发、广告创意、城乡规划设计等专业领域。

在大数据、大模型的共同加持下，Midjourney、DALL-E、Stable Diffusion等代表性生成式AI在文生图技术上持续取得突破性进展。它们能以极高的效率生成高质量的图片甚至视频内容，显著降低艺术与设计的门槛，使许多非专业人士也能参与创作，甚至从中获利。然而，这些文生图方法在解决特定行业的个性化需求时仍存在明显不足。这一现象在城乡规划设计领域中尤为突出。具体而言，地理数据的高复杂性和对空间结构的特定要求，使得现有模型很难直接应用。此外，文本提示的有效性也受到局限，往往无法充分表达城乡规划设计领域的复杂概念，从而影响了生成图像的质量和专业性。总体而言，如何将前沿的文生图技术转化为行业实际生产力，依然存在诸多严峻挑战。

在此背景下，本文首先对文生图数据进展进行了全面且系统的梳理，以揭示其背后的关键性推动因素；然后分析文生图技术在城乡规划设计行业应用落地所面临的问题和潜在解决思路；接着介绍了文生图技术在城乡规划设计领域的实际应用案例，包括老旧小区改造、工业区规划图生成、以及乡村局部改造规划设计等；最后对文生图技术未来发展进行展望。

2 文生图技术的发展历程

俗语"一图胜过千言万语"揭示了图像在信息表达浓缩性方面的独特优势。这说明，实现文本到图像的自动生成不仅是技术上的重要突破，更是迈向通用人工智能的关键一步。以下从数据、模型和评价指标三个视角出发，对文生图技术进行回顾，以理解其背后的关键性推动因素。

2.1 文生图数据集

生成式AI的成功依赖于大规模、多样化的数据集。文生图（Text-to-Image）技术不仅追求图像生成质量，还要求生成结果与输入文本提示在相关性和语义上一致。因此，训练数据集不仅需具备规模和多样性，还要注重图像-文本描述的准确性与精细度。

首先，训练数据集的规模和多样性直接决定文生图模型的生成潜力。如果样本数量十分有限，或在内容、风格、主题上缺乏多样性，模型生成的图像会趋于单一，难以满足多样化创作需求。并且，样本均衡性也会影响模型实际表现。当某些类型的图像在数据集中占比过高时，模型倾向于生成该类型的图像，限制创造力。相反，主题、风格和场景均衡多样的数据集有助于模型学到更丰富的视觉概念，从而提升不同情境下的生成能力。

其次，文本描述的质量对文生图模型生成符合用户预期的图像至关重要，主要体现在2个方面（图2）。

（1）文本描述的详细程度通常影响模型对文本提示的理解与响应能力。高质量的文本描述不仅包括图像场景的整体语义或关键对象类别，还涵盖对象的空间分布、属性信息（如大小、形状、颜色等）以及对象与背景的关系信息。理论上，更详细的文本描述有助于模型具备更强的语义理解能力，从而响应更复杂的文本提示。然而，详细的文本描述意味着高昂的标注成本。为降低标注成本，研究人员已探索自动化或半自动化的图像-文本数据集构建方法。例如，OpenAI的Radford等通过互联网爬虫构建了包含4亿图像-文本样本的数据集。基于类似方法，谷歌的Jia等人构建了包含18亿图像-文本样本的数据集ALIGN，但并未开源。为便于更多研究人员训练文生图AI大模型，AI开源组织LAION与9所高校或机构合作，发布了58.5亿样本的LAION-5B数据集。为减少错误，LAION-5B构建过程借助视觉-语言大模型CLIP自动评估图文相似度，过滤不匹配的图文对。在地学领域，因数据来源的特殊性，如此大规模的图文数据集难以通过网络爬虫获取。对此，Zhang等使用高性能的视觉-语言大模型BLIP-2和CLIP，为遥感影像生成文本描述，构建了500万样本的RS5M数据集，以促进学领域的相关研究。

（2）文本描述与图像的关联粒度影响模型掌握文本-图像映射关系的能力。根据图文关联的精细程度，数据集可分为：场景级、对象级和像素级关联三大类。场景级关联数据集提供文本标签或描述与图像整体的粗略对应关系。对象级关联数据集对关键对象进行了详细标注，提供更细粒度的文本-图像对应关系。像素级关联数据集对图像进行像素级标注，明确像素区域与文本之间的对应关系。随着关联粒度提升，模型能更容易理解视觉对象与文本提示的语义映射关系，进而实现精细的文本到图像转换。但如果训练数据中的文本描述不准确、不完整或与图像不匹配，可能导致模型学习错误的"文本-图像"对应关系，难以生成符合预期的图像。

随着高质量图像-文本数据集的涌现，文生图技术不断进步，逐步满足多样化应用需求。然而，与数十亿样本规模的通用图文数据集相比，地学领域图文数据集的规模和多样性明显不足。目前，最大的遥感影像-文本数据集RS5M仅为百万级别。同时，数据标注过程复杂且依赖专业知识，现有地学领域图文数据在文本描述的详细程度和图文关联粒度上仍有较大提升空间。因此，要推动文生图技术在特定领域的发展，亟需构建高质量、专业化的图像-文本数据集，以满足实际应用需求。

2.2 文生图模型

不同时期的代表性文生图模型如图3所示。其中，AlignDRAW作为文本生成图像领域的开创性研究，虽然奠定方法论基础，但生成的图像通常粗糙且细节欠佳。为提高图像质量及图文语义一致性，技术不断迭代，催生了一系列更先进的文生图模型。整个过程可大致可以分为以下4个关键阶段。

总结而言，文生图技术的迅速发展离不开生成式AI模型的不断进步。生成对抗网络（GANs）为图像智能生成奠定了基础。变分自编码器（VAE）及其变体模型拓展了基于文本的生成能力。OpenAI推出的DALL-E和CLIP模型深化了文本与图像的语义关联，使生成图像能更精确地匹配文本提示。扩散模型的提出大幅提升了图像质量与多样性，推动文生图技术的爆发式增长。近期研究利用多模态信息引导图像生成，进一步提升文生图的可控性，推动文生图技术在多个领域的应用。

2.3 文生图技术评价方法

图像质量和文本-图像对齐度是评价文生图技术的两大维度。前者关注生成图像的真实性和视觉效果，后者衡量图像与文本描述的匹配度。

除上述指标外，许多研究提出了专门的文生图评估基准。例如，Multi-Task Benchmark设置32种任务来全面地评估文生图技术能力，并将任务分为3个难度级别。这些评价方法为文生图模型性能分析提供了量化依据，并能客观反映当前模型的不足，以指导后续改进。随着文生图技术的发展，未来可能会涌现更多针对特定场景的评价指标，以推动模型在多样性、真实性和图文匹配度等方面的不断提升。

3 文生图技术方法在城乡规划设计领域的研究与应用

3.1 传统城乡规划设计的需求与难点分析

规划设计的核心任务是在结合现实条件的基础上，将甲方合理需求准确转化为专业设计方案。然而，在传统以人工为主的设计模式中，需求和设计双方往往需要耗费大量时间与精力，通过多次磋商和反复对接来明晰需求的内涵（图4(a)）。不仅显著增加了项目实施的时间和人力成本，还可能降低规划设计的质量。

具体而言，传统设计模式下，双方沟通中面临以下难题：

针对上述难题，亟需引入新的技术手段来优化沟通流程，提高项目推进的效率与实施质量。

3.2 文生图技术为规划设计带来的机遇与挑战

文生图技术为城乡规划设计流程变革带来重要机遇（图4(b)）。文生图技术通过智能生成和数据驱动的数字化流程，能将甲方合理的文本描述高效转化为直观的规划设计方案，从而解决传统设计模式中繁琐的多轮沟通与反复修改问题。

然而，文生图技术在城乡规划设计领域的应用仍面临诸多挑战：

针对这些挑战，研究人员提出了多种解决思路：

4 文生图技术在城乡规划设计中的应用案例

文生图技术在城乡规划设计领域已经开始显现其应用价值。以下通过几个典型案例，展示文生图技术如何在实际项目中发挥作用。

这些案例展示了文生图技术在城乡规划设计中的实际应用价值。通过将文本描述转化为直观的视觉效果，文生图技术不仅提高了设计效率，还促进了多方沟通和参与，为规划设计注入了新的创意和可能性。然而，这些应用也反映出当前技术的局限性，如生成内容的专业性和可控性仍有提升空间。

5 总结与展望

本文系统梳理了文生图技术的发展历程，分析了其在城乡规划设计领域应用的机遇与挑战，并通过实际案例展示了其应用价值。研究表明，文生图技术正在成为城乡规划设计领域的重要创新工具，为传统设计流程带来变革。

尽管文生图技术在城乡规划设计领域展现出巨大潜力，但仍需克服数据质量、专业性和可控性等方面的挑战。未来研究应着重于构建高质量的专业数据集，开发具有地学知识和规划理论约束的专业化模型，以及设计更符合规划师工作流程的交互方式。

总之，文生图技术正在重塑城乡规划设计的工作方式和思维模式。随着技术的不断进步和应用实践的深入，文生图技术有望成为推动城乡规划设计领域创新发展的重要力量，为建设更宜居、可持续的人居环境提供有力支持。