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

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

提出了一种基于语义标注的点云数据的自动道路几何数字孪生（gDT）创建方法，该方法首先将语义点云数据分割为独立实例或部分，然后提取代表性的几何信息，最后通过相应的转换算法创建基本的 gDT，提供了较高的精度和处理速度。

Jun, 2024

这篇论文介绍了一个城市建模的数据集 Building3D，它包括超过 160,000 幢建筑物的点云、网格和线框模型，覆盖爱沙尼亚的 16 个城市，面积约为 998 平方公里。作者通过对先进算法的评估发现 Building3D 存在高内类别差异、数据不平衡和大规模噪声等挑战。这个数据集是首个最大规模的城市建模基准，可以用于监督学习和自监督学习方法的比较。作者认为 Building3D 将促进未来在城市建模、航路规划、网格简化和语义 / 部分分割等领域的研究。

Jul, 2023

本论文介绍了一种利用提升式激光雷达（LiDAR）传感器的能力，通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集，通过训练和评估三维物体检测模型，准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据，优化了基于点体素区域的卷积神经网络（PV-RCNN）架构，提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性，并强调了激光雷达对提升城市安全和推动智能交通系统的作用。

May, 2024

本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法，采用了 PointNet 网络模型，成功实现了对各种形状复杂、点云分布不均匀的人工目标（如电力塔）的高效检测和分割。

Oct, 2022

本文介绍了一种用于城市规模高密度航空激光扫描（ALS）点云数据的标注数据集，并将其用于训练卷积神经网络（CNNs）分类城市元素和用于城市规模基于图像的 3D 建模的性能验证。

Sep, 2019

本篇论文研究了建筑分割问题，利用浅层模型评估 LiDAR 数据在监督分割中的应用，并通过采用边界掩模提升边界一致性得分，结合航空图像和 LiDAR 数据进行模型的训练与比较，结果表明浅层模型在航空图像任务和航空图像与 LiDAR 数据任务下的 Intersection over Union 得分分别优于深度学习模型 8% 和 2%，与此同时深度学习模型在 Boundary Intersection over Union 得分方面表现更好，采用 Light Gradient-Boosting Machine (LightGBM) 的效果优于 RF 和 Extreme Gradient Boosting (XGBoost)。

Sep, 2023

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

本研究介绍了一种支持建筑物中灯具的检测、识别和定位的方法，旨在通过建筑信息模型（BIM）方法自动填充其能源模型，在建筑行业中通过正确管理照明基础设施来应用节能策略，通过使用灰度图像和独特的灯具几何和亮度，我们提出的方法能够以低计算需求获得准确的结果，实现几乎实时的处理；我们的方法的主要创新在于候选搜索的焦点不在整个图像上，而是仅在概括灯具特定特征的有限区域中，我们的方法获得的信息被用于 Green Building XML Schema，以展示算法结果的自动 BIM 数据生成。

Dec, 2023