三维（3D）建筑模型构成了塑造数字孪生城市的重要基础设施，促进了广泛的应用，包括城市规划、能源需求估算和环境分析。因此，高效重建高质量的3D建筑模型对于理解城市环境至关重要，这一直是一个长期存在的挑战。

大多数重建方法致力于由密集三角形表示的详细表面，而不考虑建筑环境中普遍存在的分段平面性。另一方面，具有稀疏参数的紧凑多边形表示可以充分捕捉城市建筑的几何形状。为了重建紧凑的多边形建筑模型，实践中通常采用三类方法。约束重建方法使用预定义的模板或特定拓扑来表示建筑。然而，可用模板或拓扑的有限种类限制了这些方法的表达能力。几何简化方法旨在通过简化密集三角形表面来获得紧凑表面。然而，这些技术需要在几何和拓扑上都精确的输入模型，以确保忠实的近似。图元组装方法通过追求几何图元集合的最优组装来生成多边形表面模型。然而，这些方法往往需要使用手工制作的特征，因此具有有限的表示能力。

来自慕尼黑工业大学和代尔夫特理工大学的研究人员开发了一种名为PolyGNN的新方法，用于从点云数据重建3D建筑模型。这种基于图神经网络的方法旨在高效地大规模生成紧凑、封闭的多边形模型。

主要创新点#

基于多面体的表示：PolyGNN不是学习连续的隐式函数，而是学习由3D空间多面体分解得到的分段平面占用函数。这减少了计算复杂性和解决方案的模糊性。
基于骨架的采样：为了在神经网络中一致地表示任意多面体，研究人员提出沿每个多面体的骨架（顶点和主轴）采样代表性点。这有效地捕获了关键的几何信息。
端到端图神经网络：PolyGNN将建筑重建框定为图节点分类问题，其中多面体是图节点。它以端到端的方式学习组装多面体以实现紧凑重建。
自适应批处理：该网络使用基于索引的批处理技术来适应可变大小的输入（点、多面体、查询），实现高效处理。

主要方法流程#

PolyGNN流程包括两个主要阶段：

多面体图编码：从多面体分解构建图，并通过在学习到的形状潜在编码上调节多面体查询来编码节点特征。
图节点分类：将多面体（图节点）分类为内部或外部以估计建筑占用，同时利用节点特征和多面体间的邻接关系。

上图为PolyGNN的架构。给定输入点云，通过多面体分解构建图拓扑，其中多面体作为图节点。节点特征通过在形状潜在编码上调节多面体查询来形成。利用编码的节点特征和多面体间的邻接关系，对图节点进行分类以估计建筑占用。空间分割和表面提取是两个外部求解器。

结论#

与最先进方法相比，效率更高，尤其是在大规模重建方面
几何精度与现有方法相当或更好
在不同城市区域测试时表现出强大的跨城市迁移能力
对点云密度变化和缺失数据具有鲁棒性

研究人员在合成和真实世界的LiDAR点云数据集上验证了PolyGNN，证明了它在高效大规模城市建模方面的有效性。该方法在城市规划、能源需求估算和环境分析等应用中显示出潜力。

虽然PolyGNN推进了3D建筑重建的最新技术，但在处理非常复杂的建筑结构以及缩小合成训练数据与真实世界点云之间的差距方面仍然存在挑战。未来的工作可能会集中在集成语义属性和将平面提取纳入神经架构中，以进一步增强重建能力。

References:

论文：https://doi.org/10.1016/j.isprsjprs.2024.09.031
代码：https://github.com/chenzhaiyu/polygnn

主要创新点#

主要方法流程#

结论#

本公众号相关内容推荐#