在生成多尺度地图表示时，制图概化至关重要，它需要平衡信息保留和制图可读性。然而，自动化概化仍然面临挑战，因为现有方法常常将空间相似性评估、制图约束和参数优化视为独立的过程，从而限制了跨尺度的自适应和可解释控制。本研究将制图概化形式化为一个约束的多尺度相似性优化问题，并提出了一种基于相似性的自适应概化控制框架。
该框架将多尺度空间相似性作为优化目标，以量化原始数据与概化数据之间的表示一致性，同时结合制图约束来调节可读性、平滑性和几何有效性。优化一个统一的目标函数，以自动识别不同概化算法的尺度依赖参数配置。通过使用多种线条简化算法、目标尺度和相似性度量（包括几何、结构和基于学习的度量）的实验，表明所提框架在相似性保留和制图抽象之间实现了有效的平衡。结果进一步表明，将相似性优化与制图约束结合提供了比单独依赖相似性评估更一致和可解释的参数控制。
本研究提供了一种统一的优化视角，连接了相似性评估、约束建模和算法控制，为自适应和自动化的制图概化做出了贡献。
博主点评： 本文提出的框架有效整合了多尺度相似性与制图约束，展现了在自动化制图领域的重要进展。通过优化目标函数，研究为动态调整参数配置提供了新思路，值得在实际应用中进一步探索。尤其是相似性与可读性的平衡，为未来的地图生成奠定了基础。