May, 2023

一种混合语义几何方法应对建筑点云中的混杂干扰生成楼层平面图

PDF
TL;DR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。
building information modelingscan-to-bimsemantic segmentationpoint cloudfloorplan generation
发现论文，激发创造
  • 构建点云清洗、平面检测和语义分割的框架

    提出了一个用于建筑模型的框架，针对点云清理、平面检测和语义分割等挑战进行处理，通过自适应阈值技术来清除异常值，并采用稳健的 RANSAC 算法进行平面检测和基于 PointNet 架构的深度学习方法进行建筑物的语义分割，结果表明该框架在建筑模型任务中具有高效和准确性，为建筑模型领域的提高准确性和效率铺平了道路。

    Feb, 2024

  • 通过将语义 LiDAR 点云与设计的 BIM 模型集成，实现城市 GeoBIM 建设

    本研究提出了一种将激光雷达点云与 BIM 模型相匹配的方法，通过深度学习算法与图论相结合，实现了对城市场景的重建，从而解决了 LiDAR 数据质量以及 BIM 模型位置精度不足的问题。该方法在分割和匹配过程中表现出了很好的效果，可以提供一种快速准确的城市 GeoBIM 建设解决方案。

    Apr, 2023

  • 从 2D 平面图自动重建语义 3D 模型

    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

  • Point2Building：从航空 LiDAR 点云重建建筑物

    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

  • 卫星图像中的机器学习三维建筑矢量化

    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

  • 揭示空间：从室内空间图像中获取具有建筑意义的语义描述

    该研究论文旨在通过提出的模型从二维场景中提取具有建筑意义的语义描述，通过训练合成生成的图像以及相应的高级建筑结构，使用像素级比较评估，在真实环境中对其性能进行测试和评估。

    Dec, 2023

  • 欧氏空间和嵌入空间中基于边界感知的点聚类方法用于屋顶平面分割

    通过使用多任务深度网络在欧几里德空间和嵌入空间中构建的点聚类方法来解决屋顶平面分割中边界问题，并构建了合成数据集和真实数据集验证了该方法的显著优越性。

    Sep, 2023

  • 通过双边增强和自适应融合进行真实点云场景的语义分割

    该研究关注于针对实际采集的大规模点云数据进行语义分割，并提出了一种自适应融合方法在点水平上进行准确的分割。

    Mar, 2021

  • 使用参数生成的虚拟建筑进行深度学习，实现现实世界中物体识别

    本研究研究了使用参数化建筑信息模型（BIM）自动生成人工神经网络（ANN）的培训数据，以识别照片中的建筑物对象。

    Jan, 2023

  • 基于几何驱动的零样本三维点云理解聚合

    通过利用点云的几何结构改进传输的视觉 - 语言模型，我们提出了首个无需训练的聚合技术，通过几何和语义的点级推理，在分类、部件分割和语义分割等三个任务中取得了新的技术优势。

    Dec, 2023