摘要
图的深度生成模型在药物设计领域展现出巨大潜力，但迄今为止其应用仍主要局限于生成图结构分子。在本研究中，我们展示了从图像数据中提取道路网络这一具有挑战性任务的可行性验证。该任务可被建模为图像条件下的图生成问题，为此我们提出生成图Transformer（Generative Graph Transformer, GGT），一种基于注意力机制进行图像条件化并实现图结构递归生成的深度自回归模型。我们在语义分割数据上对GGT在道路网络提取任务中的性能进行了基准测试。为此，我们构建了基于真实世界公开数据的图卢兹道路网络数据集（Toulouse Road Network Dataset）。此外，我们进一步提出了StreetMover距离——一种基于Sinkhorn距离的度量方法，用于高效评估道路网络生成的质量。相关代码与数据集均已公开发布。