大语言模型驱动下基于街景影像的街道空间视觉质量评价与优化

本文在城市更新背景下，探讨了街道空间视觉质量评价与优化的方法。传统评估方法依赖专家评分和问卷调查，存在主观性强、效率低下的问题。研究目的是构建基于人类感知的街道空间视觉质量评价体系，通过整合卷积神经网络、街景大数据与多模态大语言模型（如GPT-4V），建立数量化与风格化综合分析的评估方法。以北京西城区街道为例，研究包括高精度街景图像采集、评价指标构建、提示词工程和性能评估，以及结合图像分割技术与GPT-4V模型进行质量评价。结论显示，大语言模型的引入能有效模拟人类认知逻辑，提升评估的准确性和人本化，为街道空间优化提供关键技术支撑。