本文提出了一种使用卷积 - 解卷积神经网络进行单目遥感图像高度估计的方法，并使用柏林高分辨率航空图像数据集进行了验证，结果表明该方法有效。

Feb, 2018

通过采用分支卷积神经网络、全卷积神经网络、条件随机场作为循环神经网络以及 SegNet 四种卷积神经网络体系结构，对美国整个大陆分类提取建筑物轮廓线，将符号距离标签与 SegNet 结合，改进了建筑物轮廓线的提取结果并提出了融合近红外信息的建筑物整体提取框架，同时比较了精度、召回率、并集交集以及提取建筑物的数量等指标。

May, 2018

通过多任务学习神经网络(LIGHT)将个体的建筑提取和高度估计结合起来，在输出建筑物的高度地图、边界框和分割掩码图的同时，通过门控交叉任务交互(GCTI)模块提高了特征交互的效率。实验结果表明，背景为ResNet101的LIGHt在DFC2023数据集上表现出优越的性能，并使多任务学习的性能显著提高了2.8％ AP50和6.5％ delta1。

Apr, 2023

本研究提出了一种基于卫星数据的多模态建筑高度回归网络，利用Sentinel-1和Sentinel-2卫星时间序列数据，在10m空间分辨率下估计建筑高度，在荷兰的10个城市进行训练和测试，得出了良好的性能结果，证明其在准确估计建筑高度方面具有潜力。

Jul, 2023

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

本研究提出一种基于Height-hierarchy Guided Dual-decoder Network (HGDNet)的方法，通过集合卫星图像建筑提取和高度估计任务，实现大规模城市3D重建，并在DFC 2023数据集上展示了在建筑高度估计、实例提取和最终平均得分方面的优越性。

Aug, 2023

该研究通过将Segment Anything模型与视觉语言模型相结合，对街景图像进行文本提示图像分割，从而改进了街景图像的分割质量及其在低洼地区的可见性估计模型，从33%提高到56%。这个方法不仅推进了城市分析中的街景图像分割，还为其他土木工程和基础设施分析任务的图像分割提供了新的方法。

Apr, 2024

本文提出了一种半监督框架，利用多模态遥感数据在大规模城市区域中识别每个建筑物的功能。研究结果表明，在中国上海的1,616,796座建筑中，所生成的功能地图实现了82%的OA和71%的Kappa，具有支持大规模城市管理和可持续城市发展的潜力。

May, 2024

本研究提出了一种几何感知的半监督方法以进行精细化建筑功能识别，解决了传统方法在伪标签精度上的不足。通过设计一种在线的半监督预训练阶段，并结合GIS数据和街景数据生成高精度的粗略注释，实现了跨城市的大规模建筑功能识别。实验结果表明，该方法在多个城市的精细化功能识别中优于现有的监督和半监督方法，具有显著的应用潜力。

Aug, 2024

该研究解决了志愿地理信息（VGI）中城市建筑数据质量不均的问题，通过多源地理数据转化方案生成建筑轮廓数据。提出的ControlCity方法基于多模态扩散模型，利用文本-图像模型与改进的ControlNet整合数据，成功模拟真实城市建筑模式，展现了显著的准确性提升。

Sep, 2024