本文介绍了一种利用数字表面模型 (DSMs) 的混合条件生成对抗网络 (cGAN) 算法的工作流程，其中生成部分由两个并行网络组成，形成 WNet 架构。所使用的输入数据是立体 DSMs 和全色 (PAN) 半米分辨率卫星图像，融合这些数据有助于从光谱图像传播和完善建筑物形状的详细信息，并且可以优化建筑物的边缘。

Mar, 2019

本文提出了一种用于从单一 2D 卫星图像中生成建筑物屋顶点云的深度学习框架 sat2pc，并在建筑物屋顶数据集上进行了广泛评估和消融实验，结果表明其性能优于现有基线方法至少 18.6％。

May, 2022

本文介绍了一种从扫描的 2D 平面图重建矢量化 3D 模型的流程，以提高数字化过程的效率，该方法在公共数据集 CubiCasa5k 中实现了最先进的结果，并表现出较好的推广性，其矢量化方法特别有效，优于以前的方法。

Jun, 2023

基于学习的方法，从空中激光雷达点云中重构建筑物为 3D 多边形网格，通过引入生成模型来适应各种建筑形状和结构，通过直接从点云数据中学习，减少误差传播并提高重构的准确性，在苏黎世、柏林和塔林的空中激光雷达数据上进行实验证明了方法的良好泛化能力。

Mar, 2024

提出了一种基于遥感影像的城市三维重建方法，名为 KIBS （Keypoints Inference By Segmentation），该方法实现了在只有一张二维卫星影像的情况下，通过全深度学习实现建筑物屋顶截面的三维检测，并进行全三维重建，在两个数据集上的重建准确性在 LOD2 精度范围内，且能在短短几分钟内完成。

Jul, 2023

本文提出了一种处理多视图卫星图像生成 3D 数字表面模型的自动化流程，其中包括自动地地理参考和基于匹配生成高质量密集点云。通过学习样本 LiDAR 数据的关键配置，我们根据结果的接近程度对图像对进行排名，并使用自适应 3D 中值滤波器融合多个深度图。我们证明了提出的自适应中值滤波器通常比普通中值滤波器产生更好的结果，在最佳情况下达到了 0.36 米 RMSE 的精度提高。结果和分析被详细介绍。

May, 2019

使用地球观测和深度学习方法，该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割，以实现相对较高的像素度量分数，进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果，并以黎巴嫩为案例，成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。

Apr, 2024

本研究提出了一种混合的语义几何方法，通过基于 PointNet ++ 的语义分割网络与地理推理规则相结合，将激光扫描建筑点云转化为二维平面图，同时对精度、召回率、交并比、Betti 误差和形变误差等方面进行评估。

May, 2023

最近的研究进展表明，语言视觉模型在二维计算机视觉任务方面已经超过了现有的最先进技术 (SOTA)，激发了将语言视觉模型应用于三维数据的尝试。然而，应用于点云的 LVM 面临着从三维数据提取特征的困难以及由于数据量大、采集和标注成本高导致数据集的可用性明显有限等挑战。为了解决这些问题，我们的研究旨在通过球面投影将 3D 数据转化为 2D，并尝试使用合成数据评估其在合成和真实数据之间弥合差距方面的效果。我们的方法表现出了高性能，准确率为 0.96，IoU 为 0.85，精确率为 0.92，召回率为 0.91，F1 分数为 0.92，验证了其潜力。然而，在未来的研究中仍需要解决遮挡问题和球面图像生成过程中多标签点的像素级重叠等挑战。

Apr, 2024

通过使用低成本 VGI 数据，提出了一种基于 MapillarySVI 和 OSM 数据的半监督学习方法，可以自动估计建筑物的高度，以生成开放和低成本的 3D 城市模型。

Jul, 2023