Yo'City: Personalized and Boundless 3D Realistic City Scene Generation via Self-Critic Expansion

Each language version is independently generated for its own context, not a direct translation.

¡Hola! Imagina que quieres construir una ciudad entera, desde cero, pero en lugar de usar ladrillos y cemento, usas solo palabras. Y no cualquier ciudad: una ciudad realista en 3D, infinita, donde tú decides si quieres un parque temático de Harry Potter, un centro comercial de lujo minimalista o un barrio antiguo de la época victoriana.

Ese es el objetivo de Yo'City, un nuevo sistema inteligente presentado en este artículo. Aquí te explico cómo funciona, usando analogías sencillas:

🏗️ El Problema: Construir una ciudad a mano es agotador

Antes, hacer ciudades virtuales realistas era como intentar pintar un mural gigante con un pincel muy pequeño, cuadro por cuadro. Los métodos antiguos eran lentos, rígidos o necesitaban mapas reales para funcionar. Si querías cambiar algo, tenías que empezar de nuevo.

🧠 La Solución: Yo'City, el "Arquitecto Agente"

Yo'City no es un solo programa aburrido; es un equipo de expertos digitales (llamados "agentes") que trabajan juntos, como un estudio de arquitectura de lujo. Tienen una regla de oro: "Piensa primero, construye después".

Aquí está el proceso paso a paso:

1. El Planificador Global (El Director de Orquesta) 🎻

Imagina que le dices al sistema: "Quiero una ciudad moderna con un distrito de negocios y un parque de aventuras".

Lo que hace: En lugar de empezar a dibujar casas, este "Director" mira el mapa completo. Decide: "Ok, la ciudad será de 3x3 bloques. El distrito de negocios va aquí, el parque allá".
La analogía: Es como el arquitecto jefe que dibuja el plano general en una servilleta antes de que nadie ponga un solo ladrillo. Define dónde va cada cosa para que no haya caos.

2. El Diseñador Local (El Decorador Detallista) 🎨

Una vez que el Director ha dividido la ciudad en zonas, el Diseñador Local entra en acción.

Lo que hace: Toma cada pequeño bloque del plano y le da instrucciones específicas. "En este bloque, pon edificios de cristal altos y oficinas. En el de al lado, pon tiendas de ropa y plazas".
La analogía: Es como si el arquitecto jefe le dijera al decorador: "El salón debe ser elegante". El decorador luego elige los muebles, los colores y las cortinas exactas para ese salón, asegurándose de que combinen con el resto de la casa.

3. El Generador 3D (El Constructor con "Ojos Críticos") 👁️🔨

Aquí es donde ocurre la magia. El sistema no solo "pinta" una imagen y la convierte en 3D. Usa un ciclo de "Producir -> Refinar -> Evaluar".

El proceso:
1. Produce: Crea una imagen isométrica (como una vista de pájaro de un videojuego) del bloque.
2. Refina: Si la imagen tiene edificios torcidos o faltan ventanas, un editor inteligente la arregla.
3. Evalúa: Un "juez" (una IA) revisa la imagen y dice: "Esto no parece real, los edificios están muy juntos". Si la nota es baja, vuelve a empezar.
La analogía: Es como un escultor que hace un modelo de arcilla, lo mira, dice "la nariz está chueca", lo arregla, lo mira de nuevo y solo cuando está perfecto, lo convierte en una estatua de mármol 3D.

4. La Expansión Sin Límites (El Sistema de Crecimiento Orgánico) 🌱

¿Qué pasa si quieres hacer la ciudad más grande? Aquí entra la parte más genial: La Expansión Guiada por Relaciones.

El problema: Si simplemente añades un nuevo bloque al azar, podrías poner una fábrica de humo justo al lado de un hospital de niños. ¡Un desastre!
La solución de Yo'City: El sistema usa un "mapa de relaciones" (un gráfico de escena). Sabe que:
- Las escuelas deben estar cerca de los barrios residenciales.
- Las fábricas deben estar lejos de las zonas turísticas.
La analogía: Es como si tuvieras una ciudad viva que crece como un árbol. Si quieres añadir una nueva rama (un nuevo barrio), el sistema calcula automáticamente dónde debe crecer para que tenga sentido con lo que ya existe, manteniendo la armonía.

🏆 ¿Por qué es mejor que los demás?

Los otros métodos (como SynCity) intentan construir la ciudad "ladrillo a ladrillo" de forma secuencial. Es como intentar escribir una novela empezando por la última página y retrocediendo; a veces el final no encaja con el principio.

Yo'City es diferente porque:

Piensa en grande: Planea toda la ciudad antes de construir nada.
Es flexible: Puedes pedirle "Harry Potter" o "Ciudad futurista" y lo entiende.
Es realista: Los edificios tienen texturas claras, no parecen dibujos animados borrosos.
Crecimiento inteligente: Nunca pone una fábrica al lado de una escuela por error.

En resumen

Yo'City es como tener un arquitecto, un urbanista y un constructor en tu bolsillo, todos impulsados por una inteligencia artificial muy lista. Tú solo das la idea (el texto), y ellos se encargan de planificar, diseñar, construir y expandir una ciudad entera que se ve y se siente real, lista para usar en videojuegos, películas o simulaciones.

¡Es como tener el poder de crear mundos enteros con solo unas cuantas palabras! 🌆✨

Each language version is independently generated for its own context, not a direct translation.

Resumen Técnico: Yo'City

1. Planteamiento del Problema

La generación de escenas urbanas 3D realistas es fundamental para aplicaciones como realidad virtual, gemelos digitales, planificación urbana y videojuegos. Sin embargo, los métodos existentes enfrentan limitaciones significativas:

Falta de personalización y escalabilidad: La mayoría de los enfoques actuales dependen de un único modelo de difusión entrenado, lo que limita su capacidad para generar ciudades a escala infinita con diseños personalizados por el usuario.
Dependencia de datos: Muchos métodos requieren mapas o conjuntos de datos satelitales para el entrenamiento, lo que dificulta la generación basada en instrucciones de texto flexibles.
Inconsistencia estructural: Enfoques recientes como SynCity utilizan una generación autoregresiva "ladrillo a ladrillo" (tile-by-tile). Esto carece de una planificación explícita de la estructura urbana, lo que resulta en inconsistencias espaciales, geometrías simplificadas, texturas borrosas y falta de coherencia global al escalar a ciudades grandes.
Dificultad de expansión: No existen mecanismos robustos para expandir una ciudad generada de manera coherente con las preferencias del usuario y las relaciones espaciales existentes.

2. Metodología: El Marco Yo'City

Yo'City es un marco de trabajo multi-agente que utiliza modelos de lenguaje grandes (LLM) y modelos visión-lingüísticos (VLM) para generar y expandir ciudades 3D de manera ilimitada y personalizada, sin depender de datos de mapas previos. Se basa en una estrategia de pensamiento de "arriba hacia abajo" (top-down) y un ciclo de "producir-refinar-evaluar".

El sistema consta de cuatro módulos principales:

A. Planificador Global (Global Planner)

Función: Traduce una instrucción de texto abstracta del usuario en un diseño urbano de alto nivel.
Estrategia: Utiliza una estructura jerárquica "Ciudad-Distrito-Grid".
1. Estimación de tamaño: Define la cuadrícula total ( $H \times W$ ).
2. Planificación de distritos: Identifica zonas funcionales (ej. residencial, comercial, industrial) y sus características.
3. Asignación de diseño: Coloca estos distritos en la cuadrícula considerando relaciones espaciales y restricciones de proximidad.
Mejora: Incorpora un módulo de Generación Aumentada por Recuperación (RAG) que busca información en Wikipedia sobre ciudades de referencia (ej. "estilo Nueva York") para dotar al planificador de conocimientos factuales sobre zonificación y estructura urbana real.

B. Diseñador Local (Local Designer)

Función: Refina los planos globales en descripciones textuales detalladas a nivel de cada celda (grid) de la cuadrícula.
Proceso: Genera descripciones para cada cella que incluyen tipos de edificios, estilos arquitectónicos, densidad y contexto circundante.
Coherencia: Planifica conjuntamente todas las celdas dentro de un distrito para asegurar coherencia espacial y estilística entre ellas, evitando la generación fragmentada.

C. Generador 3D (3D Generator)

Función: Convierte las descripciones textuales de cada celda en activos 3D.
Ciclo de Producción: Utiliza un bucle iterativo "Producir-Refinar-Evaluar" para generar imágenes isométricas 2D de alta calidad:
1. Producir: Genera una imagen isométrica inicial sobre una plataforma base.
2. Refinar: Un modelo de edición de imagen elimina la plataforma, corrige artefactos geométricos y mejora la diversidad visual.
3. Evaluar: Un evaluador especializado verifica la alineación texto-imagen, el realismo y la racionalidad del diseño. Si no cumple los criterios, el bucle se repite.
Conversión: Las imágenes isométricas de alta calidad se convierten en modelos 3D mediante un modelo preentrenado de imagen-a-3D (ej. Hunyuan3D) y se ensamblan en la escena final.

D. Módulo de Expansión Guiada por Relaciones (Relationship-guided Expansion)

Función: Permite la evolución continua de la ciudad mediante interacción del usuario.
Mecanismo de Auto-crítica:
1. El sistema infiere una descripción para la nueva celda y construye un grafo de escena que codifica las relaciones cualitativas (ej. "cerca", "lejos") entre la nueva zona y los distritos existentes.
2. Optimización: Aplica una función de optimización consciente de la distancia y la semántica para encontrar la ubicación más plausible.
  - Objetivo de Distancia: Minimiza/maximiza la distancia euclidiana según las relaciones (ej. zonas residenciales cerca de escuelas, industrias lejos).
  - Regularización Semántica: Asegura que la nueva celda sea compatible con el contexto vecino mediante similitud de embeddings (Sentence-BERT).
Resultado: Una expansión espacialmente coherente y sin límites.

3. Contribuciones Clave

Marco Multi-Agente: Propone Yo'City, el primer marco para la generación de ciudades 3D realistas y sin límites guiado por instrucciones de texto personalizadas, superando la limitación de los modelos únicos.
Planificación Jerárquica y Auto-crítica: Introduce una estrategia de planificación "Ciudad-Distrito-Grid" combinada con un mecanismo de expansión basado en grafos de escena que optimiza la ubicación de nuevas áreas considerando tanto la proximidad física como la coherencia semántica.
Benchmarks y Métricas Nuevas: Construye un conjunto de datos diverso y define seis métricas multidimensionales (fidelidad geométrica, claridad de textura, coherencia de diseño, cobertura de escena, realismo general y consistencia semántica) para evaluar rigurosamente la generación de ciudades.

4. Resultados Experimentales

Los experimentos comparan Yo'City con métodos del estado del arte (SOTA) como Trellis, Hunyuan3D, CityCraft y SynCity.

Consistencia Semántica: Yo'City obtuvo la puntuación más alta en VQAScore (0.7151), superando a SynCity (0.6975) y otros modelos, lo que indica una mejor alineación con las instrucciones del usuario.
Calidad Visual: En comparaciones pareadas evaluadas por GPT-5 y jueces humanos, Yo'City logró tasas de victoria superiores al 85-95% en todas las categorías:
- Fidelidad Geométrica: ~93-95%
- Claridad de Textura: ~94%
- Coherencia de Diseño: ~96%
- Realismo General: ~95%
Eficiencia: Al generar todas las celdas en paralelo (en lugar de secuencialmente como SynCity), Yo'City es significativamente más rápido y consume menos memoria GPU, evitando la acumulación de errores típica de los procesos autoregresivos.
Expansión: El mecanismo de expansión mantuvo la estabilidad de la calidad (baja variación en VQAScore) a través de múltiples iteraciones, demostrando la capacidad de crecimiento ilimitado sin degradación.

5. Significado e Impacto

El trabajo de Yo'City representa un avance significativo en la generación de entornos 3D a gran escala. Al integrar la capacidad de razonamiento de los LLM con la generación visual, el sistema resuelve el problema de la coherencia global en entornos abiertos, algo que los métodos anteriores no lograban.

Aplicaciones: Tiene un potencial inmenso para la creación de mundos virtuales en videojuegos, simulaciones de planificación urbana, gemelos digitales y entrenamiento de robots.
Innovación: La introducción de un mecanismo de "auto-crítica" y optimización basada en grafos para la expansión de ciudades establece un nuevo paradigma para la generación de escenas interactivas y evolutivas, permitiendo a los usuarios construir y modificar ciudades complejas de manera natural y sin restricciones técnicas.