論文の概要: Point2Building: Reconstructing Buildings from Airborne LiDAR Point Clouds
- arxiv url: http://arxiv.org/abs/2403.02136v2
- Date: Mon, 29 Jul 2024 10:43:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 23:57:25.832567
- Title: Point2Building: Reconstructing Buildings from Airborne LiDAR Point Clouds
- Title（参考訳）: Point2Building: 空飛ぶLiDARポイントクラウドからビルを再構築する
- Authors: Yujia Liu, Anton Obukhov, Jan Dirk Wegner, Konrad Schindler,
- Abstract要約: 航空機搭載LiDAR点雲から3次元多角形メッシュとして建物を再構築するための学習的アプローチを提案する。
このモデルでは, 点雲データから直接学習し, 誤差伝播を低減し, 再構成の忠実度を向上する。
我々は,チューリッヒ,ベルリン,タリンの航空機搭載LiDARデータの収集について実験的に検証した。
- 参考スコア（独自算出の注目度）: 23.897507889025817
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a learning-based approach to reconstruct buildings as 3D polygonal meshes from airborne LiDAR point clouds. What makes 3D building reconstruction from airborne LiDAR hard is the large diversity of building designs and especially roof shapes, the low and varying point density across the scene, and the often incomplete coverage of building facades due to occlusions by vegetation or to the viewing angle of the sensor. To cope with the diversity of shapes and inhomogeneous and incomplete object coverage, we introduce a generative model that directly predicts 3D polygonal meshes from input point clouds. Our autoregressive model, called Point2Building, iteratively builds up the mesh by generating sequences of vertices and faces. This approach enables our model to adapt flexibly to diverse geometries and building structures. Unlike many existing methods that rely heavily on pre-processing steps like exhaustive plane detection, our model learns directly from the point cloud data, thereby reducing error propagation and increasing the fidelity of the reconstruction. We experimentally validate our method on a collection of airborne LiDAR data of Zurich, Berlin and Tallinn. Our method shows good generalization to diverse urban styles.
- Abstract（参考訳）: 航空機搭載LiDAR点雲から3次元多角形メッシュとして建物を再構築するための学習的アプローチを提案する。
空中に浮かぶLiDARから3D建築を再構築する要因は、建築デザイン、特に屋根形状の多様さ、シーン全体の低・多彩な点密度、そしてしばしば植生やセンサーの視角による建物ファサードの不完全なカバレッジである。
形状の多様性に対処するため,入力点雲から3次元多角形メッシュを直接予測する生成モデルを提案する。
Point2Buildingと呼ばれる当社の自動回帰モデルは、頂点と顔のシーケンスを生成することで、メッシュを反復的に構築します。
このアプローチにより、モデルが多様なジオメトリやビルディング構造に柔軟に対応できる。
網羅的な平面検出などの前処理ステップに大きく依存する既存の多くの手法とは異なり,本モデルは点雲データから直接学習し,エラーの伝播を低減し,再構成の忠実度を高める。
我々は,チューリッヒ,ベルリン,タリンの航空機搭載LiDARデータの収集について実験的に検証した。
本手法は都市スタイルの多様さに優れた一般化を示す。
関連論文リスト
- APC2Mesh: Bridging the gap from occluded building façades to full 3D models [5.113739955215433]
本稿では,ポイントコンプリートを3次元再構成パイプラインに統合するAPC2Meshを提案する。
具体的には、3次元メッシュ再構成のための線形化スキップアテンションに基づく変形ネットワークへの入力として、隠蔽された点から生成された完全点を利用する。
論文 参考訳（メタデータ） (2024-04-03T01:29:30Z) - Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。
制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。
これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
論文 参考訳（メタデータ） (2024-04-01T13:38:16Z) - Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。
すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。
最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
論文 参考訳（メタデータ） (2023-07-22T11:10:39Z) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2023-03-28T08:21:44Z) - AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware
Transformers [94.11915008006483]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。
本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
論文 参考訳（メタデータ） (2023-01-11T16:14:12Z) - City3D: Large-scale Urban Reconstruction from Airborne Point Clouds [3.7422375336465037]
本研究では,小型3次元ビルディングモデルを大規模空調点雲から再構築するための完全自動手法を提案する。
都会の建物は通常、垂直壁と地上を繋ぐ平面屋根で構成されており、データから直接垂直壁を推測する手法を提案する。
様々な大規模空力点雲の実験により, 再現精度とロバスト性の観点から, この手法は最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-01-25T12:41:11Z) - Automated LoD-2 Model Reconstruction from Very-HighResolution
Satellite-derived Digital Surface Model and Orthophoto [1.2691047660244335]
本稿では,LoD-2ビルディングモデルを「分解最適化最適化」パラダイムに従って再構成するモデル駆動手法を提案する。
提案手法は,既存の手法に対するいくつかの技術的問題点に対処し,その有効性を実証した。
論文 参考訳（メタデータ） (2021-09-08T19:03:09Z) - PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。
提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T17:58:56Z) - ShapeAdv: Generating Shape-Aware Adversarial 3D Point Clouds [78.25501874120489]
我々は、ポイントクラウドオートエンコーダの学習した潜在空間を活用することで、形状認識型3Dポイントクラウド攻撃を開発する。
以前のものとは違って、結果として生じる3D点の雲は、元の雲に近い状態での3D点の雲の形状の変化を反映している。
論文 参考訳（メタデータ） (2020-05-24T00:03:27Z) - Deep Learning Guided Building Reconstruction from Satellite
Imagery-derived Point Clouds [39.36437891978871]
衛星画像から生成された点雲からモデル再構成を構築するための信頼性が高く効果的な手法を提案する。
具体的には、複雑で騒々しい場面で建築屋根の形状を区別するために、ディープラーニングのアプローチが採用されている。
大規模都市モデル生成の一般ニーズに対処する最初の取り組みとして、開発はオープンソースソフトウェアとして展開されている。
論文 参考訳（メタデータ） (2020-05-19T05:38:06Z) - 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。