该论文提出了一种从单个图像中获取紧凑且精确的 3D 线框表示的方法，通过有效地利用全局结构规律，该方法训练卷积神经网络以同时检测显著的交叉点和直线，并预测它们的 3D 深度和消失点，并通过平行结构先验进一步重构完整的 3D 线框模型。

May, 2019

PC2WF 是第一个可端到端训练的深度网络架构，用于将三维点云转换成线框模型；该网络把从物体表面抽取的无序三维点作为输入，输出该物体的线框，即由线段连接的稀疏角点。

Mar, 2021

本文提出了一种基于学习的方法，用于自动提取混乱人造环境图像的线框表示，并构建了一个非常大的新数据集，并提出了两个适用于提取接头和直线的卷积神经网络，取得了明显优于现有方法的性能。

Jul, 2020

本文提出了一种基于结构 - 外观联合表示的模型，可以从线框模型生成室内场景的真实感渲染图像，并在实验中表明，本文所提出的模型比现有技术在生成图像的视觉效果和结构完整性方面均表现出了显著的优势。

Dec, 2019

基于线特征的 LiDAR 点云点云配准方法通过 EdgeConv 标记线特征，并使用共享编码器层来训练两个分割和描述头，该方法在无初始变换输入的情况下验证了自己的有效性，对于各种计算机视觉任务具有广泛的应用价值。

Aug, 2022

本文提出了一种简单有效的算法来检测给定图像中的线框，并直接输出包含语义方面有意义和几何上突出的交汇点和直线的向量化线框，此方法可以进行端到端的训练，相比以往的方法具有更好的表现。

May, 2019

本文提出了一种从航空 LiDAR 点云直接回归边缘的端到端三维建筑线框重建方法，通过使用 transformer 的自注意机制，以航空 LiDAR 点云和初始边界实体作为输入，无需角点预测等中间步骤来回归边缘参数；我们提出了一种基于边界相似性的边缘非极大抑制 (E-NMS) 模块来移除冗余边缘；此外，我们使用了专用的边缘损失函数来引导 PBWR 回归边缘参数，简单的使用边缘距离损失并不适合；在实验中，我们在 Building3D 数据集上取得了最先进的结果，边缘精度提高约 36%，在 Tallinn 数据集上提高了约 42%。

Nov, 2023

本文提出了一种将已知场景的 Structure-from-Motion point cloud 转换成不易理解的 3D lines 的 'line cloud' 表示法，以保护用户生成内容的隐私，同时探讨了从这种表示法中恢复图像信息的方法，并通过实验证明了它的可行性。

Mar, 2021

BuildingNet 是一个包含多个建筑类别的大规模 3D 建模数据集，使用图神经网络对建筑模型进行网格标注，并展示了图神经网络在 3D 网格标注方面的显著性能优势。

Oct, 2021

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