CityGen: 구조 기반 도시 스타일 합성 - 교차 도시 자율 주행을 위한 방법

CityGen: Structure-Guided City-Style Synthesis for Cross-City Autonomous Driving

자율 주행 시스템은 일반적으로 제한된 지역 내에서 학습되고 평가되므로, 새로운 도시에 적용될 때 확장성에 제약이 있습니다. 그러나 외관, 도로 구조 및 교통 패턴의 상당한 변화는 종종 교차 도시 환경에서 심각한 성능 저하를 초래합니다. 기존의 도메인 적응, 데이터 증강 또는 합성 데이터 생성 방법은 일반적으로 레이블이 지정된 대상 데이터, 도시별 어노테이션 또는 작업 특정 설계를 필요로 하므로 확장성과 전반적인 평가에 대한 효과성이 제한됩니다. 본 논문에서는 인지, 분할 및 계획 분야에서 교차 도시 일반화 성능을 평가하기 위한 지리적으로 분산된 벤치마크인 CityTransfer-Bench를 소개하고, HD 지도를 기반으로 도시 수준의 시각적 프롬프트에 의해 안내되는 확산 모델 기반 생성 프레임워크인 CityGen을 제안합니다. 광범위한 실험 결과, CityGen은 여러 작업에서 일관되게 교차 도시 환경에서의 안정성을 향상시키며, 일반화 가능한 자율 주행 시스템 개발을 위한 확장 가능하고 레이블 효율적인 기반을 제공함을 입증했습니다.

Autonomous driving systems are commonly trained and evaluated within limited geographic regions, which hinders their scalability when deployed in new cities. However, significant domain shifts in appearance, road topology, and traffic patterns often cause severe performance degradation under cross-city deployment. Existing approaches based on domain adaptation, data augmentation, or synthetic data generation typically rely on labeled target data, city-specific annotations, or task-specific designs, limiting their scalability and effectiveness for holistic evaluation. In this paper, we introduce CityTransfer-Bench, a geographically disjoint benchmark for evaluating cross-city generalization across perception, segmentation, and planning, and propose CityGen, a diffusion-based generative framework that performs zero-label city adaptation via HD-map-conditioned synthesis guided by city-level visual prompts. Extensive experiments demonstrate that CityGen consistently improves cross-city robustness across multiple tasks, establishing a scalable and label-efficient foundation for generalizable autonomous driving.