AI 辅助城市规划可视化：从 CAD 平面图到城市鸟瞰效果图的 AI 生成

你面前放着一张 CAD 总平面图，密密麻麻的线条标注着地块边界、道路红线和建筑轮廓。领导说：明天早上要看到城市鸟瞰效果图。你打开 SketchUp，开始一栋一栋地挤方盒子。一个 50 万平米的片区，建模师少说也得忙两天。而现在，有人用一句话就能生成一张以假乱真的鸟瞰图——但它是真的吗？它能不能直接拿去汇报？

这篇文章我想跟你聊聊，AI 到底是怎么把一张二维平面图变成三维城市的。这不只是渲染，而是一连串的语义理解和空间推断。

为什么不是简单喂给 AI 一张图就完事？

我最早以为，这无非是给 Stable Diffusion 丢一张 CAD 图，加上提示词就行。试了一次，效果惨不忍睹：图像模型看到的是一堆线条，它完全分不清哪根是建筑外墙、哪根是道路中心线，更不用说算对楼层数。

后来我才明白，AI 辅助城市规划可视化的第一步，不是画图，而是把 CAD 转成机器能理解的“语义层”。

所谓的语义层，就是把一条线变成“房子”，把一块颜色变成“绿地”，把一条粗线变成“主干道”。在这种有标签的图像或矢量数据里，每个区域都被赋予了类别和属性，模型才知道该往哪儿生成什么。

传统做法：写规则，而不是学规则

在 AI 火起来之前，城市建模的主流是程序化建模，典型代表是 Esri CityEngine。它靠的是一套叫做 CGA shape 的规则语法：给定地块边界和用地性质，程序自动挤出符合日照和容积率要求的体块。

这种方法的优点是精确可控，生成的模型可以直接进入实时引擎，也可以参与 GIS 分析。缺点也很明显——规则是人写的，建筑风格就那么几种，换个城市就得重新调参。

而且，从 CAD 平面图到 CityEngine 可识别的数据，仍然需要人工把闭合多段线转成带属性的面。这步工作量一点都不少。

AI 路线：从标签图到鸟瞰图

AI 想解决的问题，是让“看见平面图”和“画出效果图”之间不再隔着几天的建模工作。目前最常见的做法是分三步走。

从 CAD 或 GIS 里提取建筑轮廓、道路中心线和地块边界，再赋上高度、层数、功能等属性，生成一张语义分割图。这张图里每个像素都被打上标签，比如“这格是办公，高 50 米”。
把语义图作为条件，配合扩散模型生成鸟瞰图。这里的关键技术是 ControlNet——它能让 Stable Diffusion 严格按照输入的结构图来生成图像。也就是说，建筑轮廓在哪里，生成出来的图像里建筑就稳稳地待在那里。
用 LoRA 或微调模型控制风格，比如“低密度花园城市”“高密度 CBD”，把渲染氛围从概念草案打磨到汇报级别。

这套流程我在自己的小项目里跑通过。当时拿到一张总图，我先把建筑边界和高度导成一张深度图，再套一个 ControlNet 的 canny 或 depth 条件，输出效果图。地块边界不再飘，但问题是，它仍然只是一张图。

那能不能直接生成三维城市？

如果你要的不只是一张静态图，而是可以飞进去浏览的三维场景，图像扩散模型就无能为力了。这时需要换一种表示方法。

近几年，神经辐射场（NeRF）和 3D Gaussian Splatting 成了三维生成的热门底座。它们不直接输出带坐标的 mesh，而是用一个连续函数或一团高斯粒子来记录空间位置和颜色。从多张航拍图或合成的鸟瞰图出发，模型能重建出可以连续视角浏览的城市街区。

一些研究在尝试用这种思路做街区生成，比如根据语义图或文本生成“城市级”三维场景。但目前它们大多停留在视觉原型阶段：几何精度不稳定，尺度没有意义，更不用提规划指标。离能编辑、能计算的城市模型还差得很远。

两条技术路线对比

我做了个简单对比，方便你判断什么场景该用哪种方法。

维度	程序化规则建模	AI 图像生成	AI 三维生成
输入	GIS 数据 + 人工规则	语义图 + 提示词	文本 / 低精度草模
输出	可量算的真三维模型	二维效果图	三维视觉场景
精度	精确到厘米	视觉近似，无法量算	不稳定，常出现空洞或变形
速度	写规则慢，生成快	单张图几十秒	训练和渲染时间长
适用场景	法定规划、方案推演	方案汇报、对外展示	概念体验、游戏场景

这张表的核心信息是：AI 图像生成最擅长的是“视觉说服力”，而不是空间准确性。它适合在打动人心这个层面上出力，不适合在需要严谨计算的地方担责。

我踩过最大的坑：把 CAD 直接丢给模型

前几个月有个练手项目，我拿到一个新区的 CAD 总图。偷懒，直接把 CAD 导出的 PNG 塞进 ControlNet 的 canny 模型，然后给了一句“aerial view of a small town”。结果出来的图非常正常，有街道、有房子、有树——唯独跟我的平面图没有半毛钱关系。

原因不难懂：CAD 画的不只是建筑的投影，还有各种辅助线、标注、轴号、尺寸。AI 不知道哪些线重要，它只能捡最粗、最连续的线当成轮廓。我后来自学了一点 GIS 操作，把 CAD 里的闭合多段线按图层分类，转成 Shapefile，再根据“层数”字段生成高度图。用这个流程，AI 才真正听懂了“建筑在哪里”。

这件事给我留下一个深刻的教训：AI 的输入图形必须“语义化”，否则模型只能自由发挥。