論文の概要: PolyRoof: Precision Roof Polygonization in Urban Residential Building with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2503.10913v1
• Date: Thu, 13 Mar 2025 21:52:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:07:37.643859
• Title: PolyRoof: Precision Roof Polygonization in Urban Residential Building with Graph Neural Networks
• Title（参考訳）: PolyRoof: グラフニューラルネットワークを用いた都市住宅における高精度屋根ポリゴン化
• Authors: Chaikal Amrullah, Daniel Panangian, Ksenia Bittner,
• Abstract要約: グラフニューラルネットワークとポイント検出を統合したRe:PolyWorldは、高精細なビルディングルーフベクトルデータを再構築する有望なソリューションを提供する。 本研究は,Re:PolyWorldの注目ベースのバックボーンと付加的な面積分割損失を組み込むことにより,複雑な都市住宅におけるパフォーマンスを向上させる。
• 参考スコア（独自算出の注目度）: 2.048226951354646
• License:
• Abstract: The growing demand for detailed building roof data has driven the development of automated extraction methods to overcome the inefficiencies of traditional approaches, particularly in handling complex variations in building geometries. Re:PolyWorld, which integrates point detection with graph neural networks, presents a promising solution for reconstructing high-detail building roof vector data. This study enhances Re:PolyWorld's performance on complex urban residential structures by incorporating attention-based backbones and additional area segmentation loss. Despite dataset limitations, our experiments demonstrated improvements in point position accuracy (1.33 pixels) and line distance accuracy (14.39 pixels), along with a notable increase in the reconstruction score to 91.99%. These findings highlight the potential of advanced neural network architectures in addressing the challenges of complex urban residential geometries.
• Abstract（参考訳）: 建物の屋根データの詳細なデータに対する需要の高まりにより、従来の手法の非効率性を克服する自動抽出手法の開発が進められている。 グラフニューラルネットワークとポイント検出を統合したRe:PolyWorldは、高精細なビルディングルーフベクトルデータを再構築するための有望なソリューションを提供する。 本研究は,Re:PolyWorldの注目ベースのバックボーンと付加的な面積分割損失を組み込むことにより,複雑な都市住宅におけるパフォーマンスを向上させる。 データセットの制限にもかかわらず,本実験では点位置精度 (1.33ピクセル) と線距離精度 (14.39ピクセル) が向上し, 再現率も91.99%に向上した。 これらの知見は、複雑な都市住宅地における課題に対処する上で、先進的なニューラルネットワークアーキテクチャの可能性を浮き彫りにしている。

関連論文リスト

• Technical Report: Towards Spatial Feature Regularization in Deep-Learning-Based Array-SAR Reconstruction [8.808245551289994]
  アレイ合成開口レーダ(Array-SAR)は高品質な3Dマッピングに有意な可能性を証明している。 ほとんどの研究はピクセル・バイ・ピクセルの再構成に依存しており、建築構造のような空間的特徴を無視し、穴や破片のような人工物に繋がる。 我々の研究は、空間的特徴の正規化をDLベースのArray-SAR再構成に統合し、重要な疑問に対処する。 その結果, 空間的特徴正規化は再建精度を著しく向上させ, より完全な建物構造を復元し, 騒音や外れ値の低減によるロバスト性の向上を図っている。
  論文  参考訳（メタデータ） (2024-12-22T02:31:11Z)
• Highway Networks for Improved Surface Reconstruction: The Role of Residuals and Weight Updates [0.0]
  我々は,多層パーセプトロンの文脈内で,Square-Highway(SqrHw)と呼ばれるハイウェイネットワーク(Hw)の新たな変種を導入する。 我々は、SqrHwが欠落したデータよりも表面を予測できる能力を実証する。
  論文  参考訳（メタデータ） (2024-07-11T02:15:21Z)
• GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
  ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。 我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。 提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-03-17T20:06:41Z)
• Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
  本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。 本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
  論文  参考訳（メタデータ） (2024-02-04T08:57:42Z)
• Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
  多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。 近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。 本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
  論文  参考訳（メタデータ） (2023-09-14T12:05:29Z)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• PolyGNN: Polyhedron-based Graph Neural Network for 3D Building Reconstruction from Point Clouds [22.18061879431175]
  PolyGNNは、再構成ポイントクラウドを構築するためのグラフニューラルネットワークである。 多面体分解によって得られる原始体を組み立てることを学ぶ。 都市間および実世界の点雲上での移動可能性解析を行う。
  論文  参考訳（メタデータ） (2023-07-17T16:52:25Z)
• Building Footprint Extraction with Graph Convolutional Network [20.335884170850193]
  都市モデルの3次元再構築には,足跡情報の構築が不可欠である。 ディープ畳み込みニューラルネットワーク(DCNN)の最近の進歩は、正確なピクセルレベルのラベリングタスクを可能にしている。 本研究では,グラフ畳み込みネットワーク (GCN) をフットプリント抽出タスクの構築に用い,この問題を克服するためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-08T06:50:05Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• Large-scale Building Height Retrieval from Single SAR Imagery based on Bounding Box Regression Networks [21.788338971571736]
  合成開口レーダ(SAR)画像からの建物の高さの検索は,都市部において非常に重要である。 本稿では,1つのTerraSAR-Xスポットライトやストリップマップ画像から大規模都市部におけるビルの高さ検索の問題に対処する。
  論文  参考訳（メタデータ） (2021-11-18T00:39:48Z)
• Convolutional Occupancy Networks [88.48287716452002]
  本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。 畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。 実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
  論文  参考訳（メタデータ） (2020-03-10T10:17:07Z)

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。