論文の概要: CM2LoD3: Reconstructing LoD3 Building Models Using Semantic Conflict Maps
- arxiv url: http://arxiv.org/abs/2508.15672v1
- Date: Thu, 21 Aug 2025 15:54:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-22 16:26:46.393694
- Title: CM2LoD3: Reconstructing LoD3 Building Models Using Semantic Conflict Maps
- Title（参考訳）: CM2LoD3:セマンティック・コンフリクト・マップを用いたLoD3ビルディングモデルの構築
- Authors: Franz Hanke, Antonia Bieringer, Olaf Wysocki, Boris Jutzi,
- Abstract要約: 詳細な3Dビルディングモデルは、都市計画、デジタルツイン、災害管理アプリケーションに不可欠である。
レベル・オブ・ディーテール1(LoD)1とLoD2ビルディングモデルは広く利用可能であるが、高度な都市分析に必要な詳細なファサード要素は欠如している。
レイ・ツー・モデル・プライア解析から得られた衝突マップ(CM)を利用したLoD3ビルディングモデルを再構築する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detailed 3D building models are crucial for urban planning, digital twins, and disaster management applications. While Level of Detail 1 (LoD)1 and LoD2 building models are widely available, they lack detailed facade elements essential for advanced urban analysis. In contrast, LoD3 models address this limitation by incorporating facade elements such as windows, doors, and underpasses. However, their generation has traditionally required manual modeling, making large-scale adoption challenging. In this contribution, CM2LoD3, we present a novel method for reconstructing LoD3 building models leveraging Conflict Maps (CMs) obtained from ray-to-model-prior analysis. Unlike previous works, we concentrate on semantically segmenting real-world CMs with synthetically generated CMs from our developed Semantic Conflict Map Generator (SCMG). We also observe that additional segmentation of textured models can be fused with CMs using confidence scores to further increase segmentation performance and thus increase 3D reconstruction accuracy. Experimental results demonstrate the effectiveness of our CM2LoD3 method in segmenting and reconstructing building openings, with the 61% performance with uncertainty-aware fusion of segmented building textures. This research contributes to the advancement of automated LoD3 model reconstruction, paving the way for scalable and efficient 3D city modeling. Our project is available: https://github.com/InFraHank/CM2LoD3
- Abstract（参考訳）: 詳細な3Dビルディングモデルは、都市計画、デジタルツイン、災害管理アプリケーションに不可欠である。
レベル・オブ・ディーテール1(LoD)1とLoD2ビルディングモデルは広く利用可能であるが、高度な都市分析に必要な詳細なファサード要素は欠如している。
対照的に、LoD3モデルは窓、ドア、アンダーパスなどのファサード要素を組み込むことで、この制限に対処する。
しかし、彼らの世代は伝統的に手動モデリングを必要としており、大規模な採用を困難にしている。
本稿では, 衝突マップ (CMs) を利用したLoD3ビルディングモデルの再構成手法を提案する。
従来と異なり,我々は,開発したセマンティック・コンフリクト・マップ・ジェネレータ(SCMG)から合成されたCMを用いて,実世界のCMを意味的にセグメンテーションすることに重点を置いている。
また,感性スコアを用いてテクスチャモデルのさらなるセグメンテーションをCMと融合させることにより,セグメンテーション性能をさらに向上し,これにより3次元再構成精度が向上することを示した。
建物開口部のセグメンテーション・再構築におけるCM2LoD3法の有効性を実験により実証した。
本研究は, スケーラブルで効率的な3次元都市モデリングを実現するため, 自動LoD3モデル再構築の進展に寄与する。
https://github.com/InFraHank/CM2LoD3
関連論文リスト
- Texture2LoD3: Enabling LoD3 Building Reconstruction With Panoramic Images [0.0]
Texture2LoD3では,3次元ビルディングモデルとパノラマストリートレベルの画像の両立を利用した新しい手法を提案する。
本手法がファサードセグメンテーション精度を11%向上させることを示した。
We believe that Texture2LoD3 can scale the adoption of LoD3 model, open application in the estimation building Solar potential or enhance autonomous driving simulations。
論文 参考訳（メタデータ） (2025-04-07T16:40:16Z) - FacaDiffy: Inpainting Unseen Facade Parts Using Diffusion Models [33.30545717892921]
本稿では,パーソナライズされた安定拡散モデルを用いてコンフリクトマップを完成させることにより,未知のファサード部品を塗布する新しい手法であるFacaDiffyを紹介する。
具体的には,既存の3次元ビルディングモデルとそれに対応するレーザー走査点雲から2次元コンフリクトマップを導出する決定論的光線解析手法を提案する。
実世界のトレーニングデータの不足を補うため,ランダムな都市モデルジェネレータとアノテートされたファサード画像を用いた合成コンフリクトマップを作成するためのスケーラブルなパイプラインも開発した。
論文 参考訳（メタデータ） (2025-02-20T17:32:41Z) - GEAL: Generalizable 3D Affordance Learning with Cross-Modal Consistency [50.11520458252128]
既存の3Dアベイランス学習手法は、注釈付きデータに制限があるため、一般化と堅牢性に苦慮している。
本稿では,大規模事前学習型2Dモデルを活用することで,3次元アベイランス学習の一般化と堅牢性を高めるための新しいフレームワークであるGEALを提案する。
GEALは、既存のメソッドと、新しいオブジェクトカテゴリ、および破損したデータにおいて、一貫して優れています。
論文 参考訳（メタデータ） (2024-12-12T17:59:03Z) - Proc-GS: Procedural Building Generation for City Assembly with 3D Gaussians [65.09942210464747]
資産の創出は労働集約的であり、設計ルールを開発するには専門的なスキルが必要である。
作成のための最近の生成モデルは、しばしばこれらのパターンを見落とし、視覚的忠実度が低く、スケーラビリティが制限される。
手続き的なコードを操作することで、このプロセスを合理化し、無限に多様な建物を生成することができます。
論文 参考訳（メタデータ） (2024-12-10T16:45:32Z) - WiLoR: End-to-end 3D Hand Localization and Reconstruction in-the-wild [53.288327629960364]
野生における効率的なマルチハンド再構築のためのデータ駆動パイプラインを提案する。
提案するパイプラインは、リアルタイム完全畳み込みハンドローカライゼーションと、高忠実度トランスフォーマーに基づく3Dハンド再構成モデルという2つのコンポーネントで構成されている。
提案手法は, 一般的な2次元および3次元のベンチマークにおいて, 効率と精度の両方において, 従来の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-09-18T18:46:51Z) - GeoLRM: Geometry-Aware Large Reconstruction Model for High-Quality 3D Gaussian Generation [65.33726478659304]
GeoLRM(Geometry-Aware Large Restruction Model)は、512kガウスと21の入力画像で11GBのGPUメモリで高品質な資産を予測できる手法である。
従来の作品では、3D構造の本質的な空間性は無視されており、3D画像と2D画像の間の明示的な幾何学的関係は利用されていない。
GeoLRMは、3Dポイントを直接処理し、変形可能なクロスアテンション機構を使用する新しい3D対応トランスフォーマー構造を導入することで、これらの問題に対処する。
論文 参考訳（メタデータ） (2024-06-21T17:49:31Z) - MLS2LoD3: Refining low LoDs building models with MLS point clouds to
reconstruct semantic LoD3 building models [3.2732273647357446]
そこで我々は,低LODビルディングモデルとMLS点雲の精度を両立させることにより,LoD3復元を可能にする新しい改良戦略を提案する。
本稿では,LoD3ファサード要素の再構成ガイドラインとCityGML標準モデルへの埋め込みについて述べる。
論文 参考訳（メタデータ） (2024-02-09T09:56:23Z) - Scan2LoD3: Reconstructing semantic 3D building models at LoD3 using ray
casting and Bayesian networks [40.7734793392562]
詳細レベル(LoD)3でセマンティックな3Dビルディングモデルを再構築することは、長年にわたる課題である。
セマンティックなLoD3構築モデルを正確に再構築する新しい手法であるScan2LoD3を提案する。
提案手法は,LoD3における確率駆動型セマンティック3次元再構成の開発を促進できると考えている。
論文 参考訳（メタデータ） (2023-05-10T17:01:18Z) - 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)
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。