PC2Mesh:基于机载激光雷达点云的建筑多边形网格重建

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:PC2Mesh: Reconstruction of building polygonal meshes from airborne LiDAR point clouds

【字体: 大 中 小 】 时间:2026年09月27日 来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.9

编辑推荐:

   •PC2Mesh利用统一的Transformer将航空LiDAR点云映射为多边形建筑网格。•统一的token实现了网格几何与拓扑的自回归联合学习。•PC2Mesh在几何精度和拓扑一致性方面优于现有领先方法。引言三维(3D)城市结构模型在多种应用中发挥着关键作用,包括户外导航、

  

•PC2Mesh利用统一的Transformer将航空LiDAR点云映射为多边形建筑网格。•统一的token实现了网格几何与拓扑的自回归联合学习。•PC2Mesh在几何精度和拓扑一致性方面优于现有领先方法。引言三维(3D)城市结构模型在多种应用中发挥着关键作用,包括户外导航、城市规划、能源需求估算和噪声污染评估(Duan和Lafarge, 2016; Guo等人, 2024; Harter等人, 2023; Ujang等人, 2023)。增强现实和虚拟现实技术的最新进展进一步推动了高效、高效地重建3D建筑模型的需求。人们探索了多种遥感和摄影测量模态用于大规模城市重建,包括卫星立体像对、倾斜航空影像和航空机载激光雷达(LiDAR)系统。卫星立体数据虽然覆盖范围广泛,但通常分辨率较低且细节层次(LoD)不足(Izadi和Saeedi, 2011; Li等人, 2019)。虽然从倾斜影像中提取的点云提供了丰富的视觉细节,但其几何精度往往因高度依赖图像质量和光照条件而受到影响(Bauchet和Lafarge, 2020; Guo等人, 2024)。相比之下,航空LiDAR系统能够提供高精度点云,且在大范围内质量一致,不受光照或天气条件变化的影响,使其特别适合大规模城市3D重建(Zheng等人, 2017; Li等人, 2022; Jiang等人, 2023; Liu等人, 2024; Liu等人, 2025)。尽管点云提供了物理环境的泛化和细节表示,但其固有的非结构化离散特性要求将其转换为结构化、矢量化模型,以实现准确的几何解释、编辑和操作。常见的矢量化格式包括稠密三角网格、稀疏三角网格和多边形网格,如图1所示。在城市建筑建模中,大规模重建的要求既需要计算高效又需要成本效益高。因此,在各种3D表示中,我们专注于多边形网格,它在几何灵活性和数据紧凑性之间取得了良好的平衡,为高保真城市重建提供了独特优势。然而,从航空LiDAR数据中进行大规模城市多边形网格重建面临两个主要挑战。首先,航空数据采集的固有局限,包括受限的扫描方向和飞行路径,通常导致覆盖不完整,尤其是建筑立面和其他垂直区域。其次,真实世界建筑的高建筑复杂性和风格多样性使得从稀疏、噪声大且分布不均匀的点云中直接推导出拓扑一致的表面模型变得困难。传统的基于无学习算法的3D建筑模型重建方法通常可分为模型驱动、数据驱动和混合驱动方法。虽然这些方法对早期城市表面建模的发展做出了重要贡献,但它们通常依赖于强几何信息或大量步骤(如平面基元分割),这限制了其在复杂城市环境中的可扩展性和自动化能力。具体来说,模型驱动方法(Li和Shan, 2022; Zang等人, 2024)依赖于显式几何信息和预定义的参数化形状来表示建筑组件。虽然这些方法在目标结构符合标准几何模式时(如立方体或山墙屋顶)效果良好,但它们对先验假设的依赖限制了对具有复杂屋顶几何、弯曲立面和不规则建筑细节的建筑的泛化能力,通常导致重建过于简化和精度下降。相比之下,数据驱动方法直接从输入数据中推断建筑几何,因此对多样化建筑风格表现出更大的灵活性和适应性。然而,大多数现有的数据驱动方法(Zhou和Neumann, 2010; Nan和Wonka, 2017; Huang等人, 2022)仍然依赖区域生长或基于RANSAC(RANdom SAmple Consensus)的算法作为初始步骤,将点云分解为基本平面基元。它们的性能对参数选择高度敏感,可能导致大规模或密集城市场景中的不稳定性。混合方法试图结合模型驱动的鲁棒性和数据驱动的灵活性。然而,它们仍然受到初始处理步骤(如平面检测)(Zheng等人, 2017; Yan等人, 2023)的约束,这可能引入阶段间的误差传播,阻碍完全自动化。深度学习的最新进展启发了从点云重建3D建筑多边形网格的新型方法(Chen等人, 2022; Z. Chen等人, 2024; Liu等人, 2024)。通过利用神经网络强大的特征学习能力,这些方法显著提高了从点云数据生成紧凑建筑模型的精度和效率。尽管前景广阔,但一些基于学习的方法(Chen等人, 2022; Z. Chen等人, 2024)存在一个关键局限:其重建精度高度依赖于初始基元检测阶段的精确度。这种依赖关系造成了性能瓶颈,因为初始阶段的误差会被直接传播并往往在最终输出中放大,限制了方法的总体灵活性和鲁棒性。相比之下,Point2Building(Liu等人, 2024)通过将网格生成表述为自回归序列预测任务,规避了基元检测的需要。然而,顶点模块和面模块需要分别训练。这种双网络设计意味着顶点生成器不知道面生成的情况,反之,面生成器在训练时并未以生成的顶点分布为条件,最终导致重建网格的鲁棒性和几何连贯性有限。因此,从航空LiDAR点云全自动重建高质量多边形网格仍然是一个具有挑战性且尚未充分探索的研究问题。为此,我们提出了PC2Mesh,一种统一的基于Transformer的架构,直接从航空LiDAR点云重建多边形网格模型。该架构遵循MeshAnything(Y. Chen等人, 2024),后者最初是为从高质量、干净且完整的机械对象点云生成稀疏三角网格而设计的。然而,将MeshAnything直接扩展到真实世界的航空LiDAR数据并非易事,因为输入点云通常高度稀疏、噪声大且分布不均匀。此外,多边形表示比三角网格更能提供紧凑、灵活且结构感知的表示,更适合建筑模型。为应对这些挑战,我们在PC2Mesh中提出了几种新设计和学习策略,主要贡献总结如下:1.我们重新表述了重建问题以支持任意复杂度的多边形面,从而将其适用范围扩展到由任意边数多边形表示的建筑结构,并能够重建紧凑且忠实捕捉建筑几何特征的 表面模型。2.我们集成了可学习嵌入来表示网格坐标,取代了MeshAnything中单独训练的向量量化变分自编码器(VQ-VAE)分词器-去分词器对。这实现了端到端优化,并增强了重建框架内的几何一致性。3.我们将拓扑约束融入网格生成过程,以保持建筑规律性并确保拓扑正确性,尤其是在大量缺失点的区域。章节摘要相关工作本节主要回顾了与紧凑模型重建相关的方法,这些方法大致可分为四类:模型驱动、数据驱动、混合方法和基于学习的方法。方法重建问题可以表述为学习条件分布p(M|C),其中C=p?,…,p_N表示由N个点组成的输入点云,每个p_i表示第i个LiDAR点的3D坐标,M表示与给定航空LiDAR点云几何对齐的相应多边形网格。具体来说,所提出的PC2Mesh框架以航空LiDAR点云作为输入,并预测联合概率分布。实现使用Zurich(2023)和Liu等人(2024)的数据集来评估所提出的模型。该数据集覆盖约9 km × 8 km的城市区域,基于建筑轮廓从城市级原始数据中分割出单个建筑实例。数据集总共包含28,415个不同建筑,每个建筑都配有LiDAR点云和对应的真值多边形网格。数据集分为25,574个训练建筑和2,841个测试建筑。局限性与未来工作尽管PC2Mesh有效地从航空LiDAR点云重建高保真度的建筑多边形网格,但仍面临若干挑战。首先,虽然学习到的token表示为建模任意边数的多边形提供了灵活性,但它仍然难以处理高度复杂的建筑结构,这在很大程度上是因为此类几何结构在训练数据集中代表性不足。未来工作将集中于扩展数据集,以纳入更多样化的建筑风格。结论总之,我们提出了PC2Mesh,这是一种新颖的基于学习的框架,用于从高度稀疏和不完整的航空LiDAR点云重建建筑多边形网格模型。通过将3D网格直接表示为任意边数多边形的分词序列,我们将建筑重建任务表述为自回归序列生成问题。采用仅解码器的Transformer网络来自回归地预测多边形token,使模型能够捕捉复杂CRediT作者贡献声明韩炳鑫:撰写——初稿、可视化、验证、软件、资源、方法论、调查、正式分析、数据整理。赵作权:撰写——审阅与编辑、方法论、调查、数据整理。李宇:撰写——审阅与编辑、资源、调查。吴宗周:撰写——审阅与编辑、调查、数据整理。陈曦:撰写——审阅与编辑、监督、项目管理。Ben M. Chen:撰写——审阅与编辑、监督。利益冲突声明作者声明不存在已知的财务利益或个人关系,这些可能被认为会影响本文所报告工作的内容。致谢本研究部分由香港特别行政区研究资助局基金(14206821、14217922和14209623)支持,部分由香港特别行政区政府的InnoHK计划通过香港物流机器人中心支持,以及部分由香港特别行政区一般研究基金(14200524)支持。韩炳鑫|赵作权|李宇|吴宗周|陈曦|Ben M. Chen
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号