Jun, 2023

Points for Energy Renovation (PointER): 一个百万英国建筑点云数据集，链接能源特征

PDF
TL;DR该研究提出了一种建筑点云数据集，利用地理引用 LiDAR 数据与英国能源性能数据库相结合，实现建筑能源信息的数据驱动、大规模理解，为建筑能源建模提供了新的研究思路。
发现论文，激发创造
  • 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

  • Building3D: 从点云中学习屋顶结构的城市级数据集和基准

    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

  • DublinCity: 带注释的 LiDAR 点云及其应用

    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

  • 利用街景图像、航空图像和地表温度数据估算建筑能效

    通过对广泛可用的遥感数据进行多源融合和深度学习建模，可以较快地并且准确地评估建筑的能源效率，本研究通过对英国近 40,000 座建筑的数据分析和建模，证明了通过街景、航拍图像、建筑平面和卫星表面温度等信息，深度学习建模的方法可以取得令人满意的预测结果，并为未来的进一步工作提供了可能性。

    Jun, 2022

  • 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

  • 构建 PCC：构建点云补全基准

    通过点云补全技术完成对不完整数据的处理，建立新的真实世界基准 Building-PCC 数据集来评估现有深度学习方法在城市建筑点云补全任务中的性能，并通过对不同方法的综合评估，分析在建筑点云补全中面临的关键挑战，旨在促进 3D 地理信息应用领域的创新。

    Apr, 2024

  • ARCH2S：从点云中学习建筑外部结构的数据集、基准和挑战

    本研究提供了一个语义分割的语义丰富的、照片般逼真的三维建筑模型数据集和基准，以克服现有室外三维点云数据集在建筑外观方面的限制和详细注释方面的不足。

    Jun, 2024

  • sat2pc：从 2D 卫星影像中估算建筑屋顶的点云

    本文提出了一种用于从单一 2D 卫星图像中生成建筑物屋顶点云的深度学习框架 sat2pc，并在建筑物屋顶数据集上进行了广泛评估和消融实验，结果表明其性能优于现有基线方法至少 18.6％。

    May, 2022

  • 自动化重建荷兰全部 1000 万栋房屋的 LoD2 和 LoD1 模型

    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

  • LEAD1.0 商业建筑能耗异常检测大规模标注数据集

    该研究致力于发布一个有注释的 ASHRAE Great Energy Predictor III 数据集版本，其中包含 1,413 个智能电表时间序列，为大规模异常检测的研究工作提供支持，并将八种先进的异常检测方法的性能与数据集进行了比较。

    Mar, 2022