使用卷积神经网络进行实时建筑物提取，提出了一种允许从倾斜航空影像中进行多视图深度估计的算法，结合Faster R-CNN，可以从高空俯瞰图像中选择性地重建建筑物。

Apr, 2018

这篇论文通过使用CNN和IP算法，从单一RGB图像中推断出室外建筑物的2D平面图结构，取得了显著的结果，并提出了可供分享的代码和数据。

Dec, 2019

本文提出了一种通过自适应空间划分生成细胞复合体、利用深度神经网络了解区域内占用情况、通过组合优化提取建筑物外表面的新型框架来从点云中重建紧凑、完全、多边形建筑模型的方法，并通过实验表明该方法具有较高的保真度、紧凑性和计算效率。

Dec, 2021

提出了一种基于概率重建模型的无监督方法，将真实世界场景的大型3D扫描解析成可解释的部分，以用于航空勘测和制图中的三维场景分析，而不依赖于特定应用的用户注释。该方法的优势在于不需要手动注释，是一种实用而高效的3D场景分析工具。

Apr, 2023

通过引入结构对齐和语义感知的方法，本文提出了一种新的框架来解决航空图像到地面图像合成的挑战，通过将航空图像的特征与地面布局对齐，实现了复杂地理结构的重建，同时通过引入预训练分割网络，通过计算不同类别的损失并平衡它们，实现了跨类别综合样式的生成。通过与现有方法的比较和削减研究，本方法在质量和数量上显示出了有效性。

Aug, 2023

使用多视角航拍图像，通过神经符号距离场重建立面的几何形状、光照和材质，从而实现基于物理和照片般逼真的新视角渲染、重照和编辑。通过引入三种自适应优化策略，包括基于零样本分割技术的语义正则化方法来改善材料一致性，基于频率感知的几何正则化来平衡不同表面的表面光滑性和细节，以及基于可见性探针的方案来实现大规模户外环境中局部照明的有效建模。实验结果通过与最先进的基线方法进行比较，展示了我们的方法在立面整体反渲染、新视角合成和场景编辑方面的卓越质量。

Nov, 2023

通过利用低细节级别建筑模型和MLS点云的准确性，我们介绍了一种新颖的细化策略，实现了LoD3建模的重构，该策略承诺能实现规模化的LoD3重构，并将其应用于多个领域。此外，我们还提供了重构LoD3立面元素并将其嵌入CityGML标准模型的指南，将所得知识传播给学术界和专业人士。我们相信，我们的方法能够促进LoD3重构算法的发展，并进一步推动其广泛应用。

Feb, 2024

我们提出了一种新的方法，通过结合MLS点云和预定义的3D模型库，使用BoW概念并增加半全局特征，来重建三维外立面细节。我们在带有随机噪声的模型和TUM-FAÇADE数据集上进行了实验，结果表明我们的方法能够改善传统的BoW方法，具有用于更真实的外立面重建的潜力，而无需矩形假设，可用于应用如测试自动驾驶功能或估计立面的太阳能潜力。

Feb, 2024

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DRAGON方法，能够将无人机和地面建筑图像作为输入，并生成3D Novel View synthesis模型，通过感知正则化的迭代过程填补了两种高度之间的视觉特征差距，从而实现了相机配准。在使用Google Earth Studio编译的9个大型建筑场景的半合成数据集上，定量和定性地证明了与基准策略相比，DRAGON能够生成令人信服的渲染效果。

Jul, 2024