Génération de graphe conditionné par image pour l’extraction des réseaux routiers

Les modèles génératifs profonds pour les graphes ont montré un grand potentiel dans le domaine de la conception de médicaments, mais ont jusqu’à présent trouvé peu d’applications au-delà de la génération de molécules structurées sous forme de graphes. Dans ce travail, nous présentons une preuve de concept pour la tâche exigeante d’extraction de réseaux routiers à partir de données d’image. Cette tâche peut être formulée comme une génération de graphes conditionnée par une image, pour laquelle nous proposons le Generative Graph Transformer (GGT), un modèle autoregressif profond qui utilise des mécanismes d’attention pour la conditionnalité par image et la génération récurrente de graphes. Nous évaluons le GGT sur l’application d’extraction de réseaux routiers à partir de données de segmentation sémantique. À cet effet, nous introduisons le jeu de données Toulouse Road Network, basé sur des données réelles disponibles publiquement. Nous proposons également la distance StreetMover : une métrique fondée sur la distance de Sinkhorn, permettant d’évaluer efficacement la qualité de la génération de réseaux routiers. Le code et le jeu de données sont disponibles publiquement.