論文の概要: Holistic Parameteric Reconstruction of Building Models from Point Clouds
- arxiv url: http://arxiv.org/abs/2005.09226v1
- Date: Tue, 19 May 2020 05:42:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 13:50:11.039507
- Title: Holistic Parameteric Reconstruction of Building Models from Point Clouds
- Title（参考訳）: 点雲からの建物モデルの正則的パラメータ再構成
- Authors: Zhixin Li, Wenyuan Zhang, Jie Shan
- Abstract要約: 本研究では,1つの建物全体の点雲を同時に考慮した総合的パラメトリック再構築手法を提案する。
まず、よく設計されたディープニューラルネットワークを使用して、所定のビルディングポイントクラウド内のプリミティブを識別します。
次に、セグメント化されたプリミティブのパラメータを同時に決定するために、全体最適化戦略を導入する。
総合的な再現の質は、点表面距離0.08メートル、入力されたLiDAR点の0.7倍のRMSEである。
- 参考スコア（独自算出の注目度）: 9.93322840476651
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building models are conventionally reconstructed by building roof points
planar segmentation and then using a topology graph to group the planes
together. Roof edges and vertices are then mathematically represented by
intersecting segmented planes. Technically, such solution is based on
sequential local fitting, i.e., the entire data of one building are not
simultaneously participating in determining the building model. As a
consequence, the solution is lack of topological integrity and geometric rigor.
Fundamentally different from this traditional approach, we propose a holistic
parametric reconstruction method which means taking into consideration the
entire point clouds of one building simultaneously. In our work, building
models are reconstructed from predefined parametric (roof) primitives. We first
use a well-designed deep neural network to segment and identify primitives in
the given building point clouds. A holistic optimization strategy is then
introduced to simultaneously determine the parameters of a segmented primitive.
In the last step, the optimal parameters are used to generate a watertight
building model in CityGML format. The airborne LiDAR dataset RoofN3D with
predefined roof types is used for our test. It is shown that PointNet++ applied
to the entire dataset can achieve an accuracy of 83% for primitive
classification. For a subset of 910 buildings in RoofN3D, the holistic approach
is then used to determine the parameters of primitives and reconstruct the
buildings. The achieved overall quality of reconstruction is 0.08 meters for
point-surface-distance or 0.7 times RMSE of the input LiDAR points. The study
demonstrates the efficiency and capability of the proposed approach and its
potential to handle large scale urban point clouds.
- Abstract（参考訳）: 建物モデルは通常、屋根の点を平面分割し、トポロジーグラフを使って平面をグループ化することで再構築される。
ルーフエッジと頂点は数学的にセグメント化された平面に交差して表現される。
技術的には、このようなソリューションはシーケンシャルな局所的適合に基づいており、すなわち、1つの建物のデータ全体が同時にビルモデルの決定に関与していない。
その結果、解は位相的完全性と幾何学的厳密さの欠如である。
この従来のアプローチと根本的に異なるのは,1つの建物の点群全体を同時に考慮した全体的パラメトリック再構成手法を提案することである。
私たちの研究では、構築モデルは事前定義されたパラメトリック(roof)プリミティブから再構築されます。
まず、よく設計されたディープニューラルネットワークを使用して、所定のビルディングポイントクラウド内のプリミティブを識別します。
次に、セグメント化されたプリミティブのパラメータを同時に決定するために、全体最適化戦略を導入する。
最後のステップでは、最適なパラメータを使用して、CityGML形式で水密構築モデルを生成する。
既定屋根型を有する空中LiDARデータセットRoofN3Dを本試験に使用した。
データセット全体に適用したPointNet++は、プリミティブな分類で83%の精度を達成できることが示されている。
RoofN3Dの910の建物のサブセットに対して、全体論的アプローチはプリミティブのパラメータを決定し、建物を再構築するために使用される。
得られた全体の復元のクオリティは、入力lidar点の0.08mまたは0.7倍である。
本研究は,提案手法の効率と能力と,大規模都市点雲を扱う可能性を示す。
関連論文リスト
- Exploiting Semantic Scene Reconstruction for Estimating Building Envelope Characteristics [6.382787013075262]
2次元画像入力から幾何構造特性を推定する新しいフレームワークであるBuildNet3Dを提案する。
本フレームワークは, 窓面間比と建物のフットプリントの推定において, 高い精度と一般化性を示すとともに, 様々な複雑な建築物構造について評価する。
論文 参考訳（メタデータ） (2024-10-29T13:29:01Z) - ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。
この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
論文 参考訳（メタデータ） (2024-03-15T14:35:05Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳（メタデータ） (2023-11-25T08:10:05Z) - Variational Relational Point Completion Network for Robust 3D
Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。
本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。
VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文 参考訳（メタデータ） (2023-04-18T17:03:20Z) - Combining visibility analysis and deep learning for refinement of
semantic 3D building models by conflict classification [3.2662392450935416]
本稿では,3次元モデルと窓とドアの特徴を統合化するための可視性解析とニューラルネットワークを組み合わせる手法を提案する。
この方法では、占有するボクセルは分類された点雲で融合され、ボクセルに意味を与える。
セマンティックボクセルとコンフリクトはベイズネットワークに組み合わされ、3Dモデルライブラリを用いて再構成されたファサード開口の分類と記述を行う。
論文 参考訳（メタデータ） (2023-03-10T16:01:30Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳（メタデータ） (2022-11-30T06:02:01Z) - BuildMapper: A Fully Learnable Framework for Vectorized Building Contour
Extraction [3.862461804734488]
我々はBuildMapperという,エンドツーエンドで学習可能な最初のコントラスト抽出フレームワークを提案する。
BuildMapperは、人間がするのと同じように、直接かつ効率的にポリゴンを構築することができる。
マスク平均精度(AP)とバウンダリAPはセグメンテーションベースと輪郭ベースの両方の手法よりも高い結果が得られることを示す。
論文 参考訳（メタデータ） (2022-11-07T08:58:35Z) - PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving
Paths [54.459879603473034]
我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。
不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。
点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
論文 参考訳（メタデータ） (2020-12-07T01:34:38Z) - PointManifold: Using Manifold Learning for Point Cloud Classification [5.705680763604835]
本稿では,グラフニューラルネットワークと多様体学習に基づく点雲分類手法を提案する。
本稿では,平面上の連続性を考慮し,点雲の特徴を埋め込むために,多様体学習アルゴリズムを用いる。
実験により、提案した点雲分類法は90.2%の平均クラス精度(mA)と93.2%の総合クラス精度(oA)が得られることが示された。
論文 参考訳（メタデータ） (2020-10-14T16:28:19Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z) - Curved Buildings Reconstruction from Airborne LiDAR Data by Matching and
Deforming Geometric Primitives [13.777047260469677]
幾何学的プリミティブの組立と変形による湾曲した建物再建のための新しい枠組みを提案する。
このフレームワークは、様々な都市で様々なLiDARによって収集されたいくつかの高い湾曲した建物で検証されている。
論文 参考訳（メタデータ） (2020-03-22T16:05:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。