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

本文介绍了基于 2D 建筑多边形和 LiDAR 点云自动重建 3D 建筑模型的工作流程，该工作流程生成不同层次细节（LoDs）的模型，并监控数据质量以满足不同应用的数据需求。

Dec, 2021

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

该论文讨论了如何从 2D 和 3D 数据中重建 LoD2 建筑模型，并针对大规模城市环境进行了研究。通过提取真实正交照片中的屋顶线条，无需预先标记的训练数据或预先训练模型，该方法能够提取相对完整的屋顶线条，并直接用于建筑模型的重建过程，从而在重建建筑物的准确性和完整性方面优于现有方法和深度学习方法。

Oct, 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

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

本文提出了一种基于机器学习的方法，通过数字表面模型和全色影像的输入，使用条件生成对抗网络筛选出非建筑物，然后借助于语义分割网络检测出建筑物屋顶的边缘和角点，并提出一组矢量化算法来构建屋顶多边形，最终从改进后的表面模型中添加高度信息，以获得完全矢量化的精细建筑模型。在大型卫星图像上对我们的方法进行了验证，并取得了最先进的性能。

Apr, 2021

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

本文提出了一种基于三维激光雷达测距扫描和神经网络对语义信息进行提取的建图及定位方法，实现了对运动物体的有效滤波和语义信息约束下的扫描匹配，与现有基于几何约束的方法相比，实验结果表明其性能更优。

May, 2021

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