論文の概要: Delaunay Canopy: Building Wireframe Reconstruction from Airborne LiDAR Point Clouds via Delaunay Graph

• arxiv url: http://arxiv.org/abs/2604.02497v1
• Date: Thu, 02 Apr 2026 19:57:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.19437
• Title: Delaunay Canopy: Building Wireframe Reconstruction from Airborne LiDAR Point Clouds via Delaunay Graph
• Title（参考訳）: Delaunay Canopy: Delaunay Graphによる空中LiDAR点雲からのワイヤーフレーム再構築
• Authors: Donghyun Kim, Chanyoung Kim, Youngjoong Kwon, Seong Jae Hwang,
• Abstract要約: 空飛ぶLiDAR点雲からワイヤーフレームを再構築すると、密集メッシュを越えて構造的理解を可能にするコンパクトなトポロジ中心の表現が得られる。 従来の方法では、大きなノイズ、疎外性、または内部の角が伴う領域において、正確なワイヤフレームの再構築を達成できなかった。 この研究は、幾何学的に適応的な探索空間を定義するために、デラウネーグラフを幾何学的先行として利用する。
• 参考スコア（独自算出の注目度）: 14.904870157395878
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reconstructing building wireframe from airborne LiDAR point clouds yields a compact, topology-centric representation that enables structural understanding beyond dense meshes. Yet a key limitation persists: conventional methods have failed to achieve accurate wireframe reconstruction in regions afflicted by significant noise, sparsity, or internal corners. This failure stems from the inability to establish an adaptive search space to effectively leverage the rich 3D geometry of large, sparse building point clouds. In this work, we address this challenge with Delaunay Canopy, which utilizes the Delaunay graph as a geometric prior to define a geometrically adaptive search space. Central to our approach is Delaunay Graph Scoring, which not only reconstructs the underlying geometric manifold but also yields region-wise curvature signatures to robustly guide the reconstruction. Built on this foundation, our corner and wire selection modules leverage the Delaunay-induced prior to focus on highly probable elements, thereby shaping the search space and enabling accurate prediction even in previously intractable regions. Extensive experiments on the Building3D Tallinn city and entry-level datasets demonstrate state-of-the-art wireframe reconstruction, delivering accurate predictions across diverse and complex building geometries.
• Abstract（参考訳）: 空飛ぶLiDAR点雲からワイヤーフレームを再構築すると、密集メッシュを越えて構造的理解を可能にするコンパクトなトポロジ中心の表現が得られる。 従来の方法では、大きなノイズ、疎外性、または内部の角が伴う領域において、正確なワイヤフレームの再構築を達成できなかった。 この失敗は、大きくスパースなビルディングポイント雲のリッチな3次元幾何学を効果的に活用する適応的な探索空間を確立することができないことに起因する。 本研究では、デラウネーグラフを幾何学的に適応的な探索空間を定義する前に幾何学的に利用するデラウネー・カノピー(Delaunay Canopy)を用いてこの問題に対処する。 我々のアプローチの中心はデラウネーグラフ・スコリング(英語版)であり、これは基礎となる幾何学多様体を再構成するだけでなく、その再構成を堅牢に導くために領域的な曲率符号も得られる。 この基盤の上に構築されたコーナーとワイヤ選択モジュールは、Delaunayによって引き起こされる、高度に予測可能な要素に焦点をあてて、探索空間を形作り、これまで難解だった領域でも正確な予測を可能にする。 Building3D Tallinnの都市とエントリーレベルのデータセットに関する大規模な実験は、最先端のワイヤーフレームの再構築を示し、多様な複雑なビルディングジオメトリにわたって正確な予測を提供する。

関連論文リスト

• GGPT: Geometry Grounded Point Transformer [22.64445696362087]
  本稿では,GGPT(Geometry-Grounded Point Transformer)について紹介する。 この基礎の上に構築された幾何誘導型3次元点変換器は,比例的な部分幾何学的監督の下で高密度点マップを洗練する。
  論文  参考訳（メタデータ） (2026-03-11T18:00:04Z)
• Affostruction: 3D Affordance Grounding with Generative Reconstruction [50.586896835836164]
  Affostructionは、部分的な観察から完全な幾何学を再構築する生成フレームワークであり、その全形状に余裕がある。 空き地での19.1 aIoUと3次元再構築のための32.67 IoUを達成し、完全な形状の正確な空き地予測を可能にする。
  論文  参考訳（メタデータ） (2026-01-14T06:33:12Z)
• TALO: Pushing 3D Vision Foundation Models Towards Globally Consistent Online Reconstruction [57.46712611558817]
  3次元視覚基礎モデルでは、1つのフィードフォワードパスを通して、未校正画像からキー3D属性を再構成する際の強力な一般化が示されている。 近年の戦略は,グローバルトランスフォーメーションの解決によって連続的な予測と整合するが,本分析では,仮定の妥当性,局所的なアライメント範囲,雑音的幾何の下でのロバスト性といった基本的な限界を明らかにしている。 本研究では,グローバルに伝播する制御点を利用して空間的に異なる不整合を補正する,Tin Plate Splineに基づく高DOFおよび長期アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-02T02:22:20Z)
• SF-Recon: Simplification-Free Lightweight Building Reconstruction via 3D Gaussian Splatting [15.642110732300191]
  SF-Reconは、ポストホックメッシュを単純化することなく、多視点画像から軽量な建築表面を直接再構築する手法である。 提案したSFデータセットに基づいて,実験結果から,多視点画像から軽量建築モデルを直接再構築できることが実証された。
  論文  参考訳（メタデータ） (2025-11-17T11:50:52Z)
• G4Splat: Geometry-Guided Gaussian Splatting with Generative Prior [53.762256749551284]
  我々は,3次元シーン再構成を効果的に活用するための基本的な前提条件として,正確な幾何学を同定する。 生成パイプライン全体にこの幾何学的ガイダンスを導入し、可視性マスク推定を改善し、新しいビュー選択をガイドし、ビデオ拡散モデルに着色した場合の多視点一貫性を向上させる。 本手法は,屋内および屋外の両方のシナリオにおいて,高い一般化性を有するシングルビュー入力とアンポーズ映像を自然にサポートする。
  論文  参考訳（メタデータ） (2025-10-14T03:06:28Z)
• 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)
• Point2Building: Reconstructing Buildings from Airborne LiDAR Point Clouds [23.897507889025817]
  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。
  論文  参考訳（メタデータ） (2024-03-04T15:46:50Z)
• Learning a Structured Latent Space for Unsupervised Point Cloud Completion [48.79411151132766]
  部分点雲と完全点雲の両方を符号化する統一的で構造化された潜在空間を学習する新しいフレームワークを提案する。 提案手法は、合成ShapeNetと実世界のKITTI、ScanNet、Matterport3Dデータセットの両方において、最先端の教師なし手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2022-03-29T13:58:44Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• 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。