强大的建筑线框重建技术：一种基于超图和Transformer的框架，适用于大规模真实世界城市点云数据处理

《International Journal of Remote Sensing》：Robust building wireframe reconstruction: a hypergraph and transformer-enhanced framework for large-scale and real-world urban point clouds

准确的三维建筑重建对城市数字孪生、城市规划及可持续发展至关重要。现有方法多依赖合成数据且输入点云质量要求高，难以应用于现实复杂环境。本文提出一种基于空域激光扫描点云的端到端屋顶线框重构框架，创新性地引入多尺度局部特征描述符与超图注意力融合模块，结合Transformer和EdgeConv增强边分类机制，有效提升几何特征提取和拓扑关系建模能力。实验表明，该方法在Building3D数据集上显著优于基线，入口级和塔尔林子集的角点精度分别提升35%和41%，验证了其在智慧城市建设中的应用潜力。

　　

摘要

精确的3D建筑重建对于推进城市数字孪生、城市规划和可持续发展至关重要。作为建筑的重要组成部分，屋顶有助于城市能源管理并为城市形态分析提供依据。因此，实现精确且可扩展的屋顶重建已成为近年来的研究重点。点云因其能够保留详细的几何结构而非常适合这项任务。然而，现有方法主要针对合成屋顶数据集，这些数据集缺乏建筑多样性，且通常需要高质量的点云作为输入。这些限制阻碍了它们在具有多样化屋顶设计以及数据噪声较大或数据稀疏的大规模真实世界城市环境中的应用。为了解决这些问题，我们提出了一种基于机载激光扫描（ALS）点云的端到端屋顶线框重建框架。我们的方法引入了一种针对屋顶优化的多尺度局部特征描述符，以增强每个点的几何特征提取。随后，基于超图的注意力融合模块整合了这些特征。在经过强大的主干网络进行全面特征学习后，首先进行初始角点检测，然后通过Transformer和EdgeConv增强的边缘分类机制来建模拓扑关系，该机制利用长距离依赖性来处理这些特征。在大型真实世界Building3D数据集上的实验表明，与基线方法相比取得了显著改进：在Entry-level子集上角点精度提高了35%，在Tallinn子集上提高了41%。定性比较进一步显示出更高的线框保真度，凸显了该方法在支持数字孪生、城市管理和智慧城市倡议中的经济发展方面的潜力。