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

本文介绍了一个丰富注释的 3D 点云数据集，以及用于分层分割任务的有效学习框架。提出了一种基于多任务学习和分层集成的两阶段方法，包括一种考虑不同层次之间一致性的度量。实验结果表明了所提出方法的优越性和分层注释的潜在优势。

Aug, 2020

本文介绍了一个由三个英国城市中 7.6 平方公里的城市景观组成的大规模城市照相测量点云数据集，其中每个 3D 点都被标记为 13 个语义类别之一，并通过基于现有算法的综合分析来识别了几个关键问题。

Sep, 2020

本文介绍了一个新的 3D 点云分类基准数据集，其中包含超过 40 亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望 Semantic3D.net 能够为 3D 点云标注中的深度学习方法铺平道路。

Apr, 2017

BuildingNet 是一个包含多个建筑类别的大规模 3D 建模数据集，使用图神经网络对建筑模型进行网格标注，并展示了图神经网络在 3D 网格标注方面的显著性能优势。

Oct, 2021

本文介绍 SensatUrban 数据集，由近三十亿个带有精细语义注释的点云数据集组成，用于评估最先进的分割算法性能，并分析了限制城市规模点云理解的关键挑战。

Jan, 2022

本文介绍了一种新的人工合成数据集 Structured3D，为各种结构化三维建模任务提供大规模照片级真实感图像和丰富的三维结构注释，此外并利用该数据集与真实图像来训练深度神经网络，显著提高了房间布局估计性能。

Aug, 2019

本文介绍了一种深度学习架构，用于解决非结构化点云的三维语义分割问题。与以往的工作相比，我们引入了点群聚合技术，定义了初始世界空间和学习特征空间中的点邻域，并结合专用损失函数，进一步构建了学习点特征空间。我们展示了如何将这些机制应用于点云的三维语义分割任务，并在室内和室外数据集上报告了最新性能。

Oct, 2018

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

本文提出一种高层、高密度城市点云基准数据集 (HRHD-HK)，同时对现有的 8 种语义分割算法在此数据集上进行了全面评估，实验结果表明目前的点云 3D 语义分割仍有很大提升空间，特别是对于小体积的城市对象来说。

Jul, 2023