近年来，建筑信息模型（BIM）已成为建筑、工程和施工（AEC）行业数字化转型的基石。BIM整合了几何信息和语义信息，以支持高效的设计、施工和设施管理[1]、[2]。机械、电气和管道（MEP）系统是由管道、风管、电缆和固定装置组成的综合网络，确保建筑的功能性、环境规范和运营安全[3]。MEP系统的准确BIM建模在运营和维护管理中起着重要作用，可以实现碰撞检测、性能分析和生命周期管理等功能[4]。
然而，在实践中，大多数MEP系统缺乏相应的BIM表示。虽然一些项目保留了设计阶段的BIM模型，但在施工过程中经常出现差异，导致数字模型与实际建成环境之间存在不一致。此外，许多现有建筑不再保留原始的计算机辅助设计（CAD）图纸，使得重新生成相应的BIM数据变得困难。因此，需要频繁进行现场调查以重建MEP系统的准确BIM模型。
近年来，三维（3D）激光扫描，特别是地面激光扫描（TLS），在捕获高保真几何信息方面表现出显著的效果[5]。TLS可以快速获取表示详细表面几何形状的密集精确点云数据，从而为3D重建任务提供可靠的基础[6]、[7]。然而，原始点云本质上缺乏语义信息，因此BIM重建的第一步通常是语义分割，即为3D场景中的不同结构和MEP组件分配类别标签[4]、[8]。
近年来，人工智能（AI）和机器学习在建筑和城市环境研究中的作用日益重要[9]、[10]。随着深度学习（DL）的快速发展，点云语义分割取得了显著进展，应用于MEP组件识别和室内场景理解[11]、[12]。当有足够的训练样本时，基于DL的点云分割模型可以从数据中自动提取区分特征并实现强大的性能。然而，大多数现有的基于DL的分割方法依赖于完全监督，需要密集标注的点级标签，这些标签的生成成本极高且耗时[13]、[14]。这一限制极大地阻碍了它们在大型或复杂真实世界数据集上的扩展性。
弱监督学习作为一种有前景的替代范式应运而生，以缓解这一瓶颈[15]、[16]。通过从稀疏标注的数据中学习，弱监督试图将语义信息传播到未标记区域，同时大幅降低标注成本。然而，针对建筑MEP环境的弱监督点云分割尚未得到充分关注。大多数现有研究集中在大型户外基础设施场景，如隧道和铁路[17]、[18]，而针对MEP系统高度详细和精细特性的数据集、算法和基准测试仍然稀缺。
为了解决这些限制，本研究开发了一个名为W-MEPNet的弱监督语义分割框架，专门针对住宅MEP场景设计。W-MEPNet通过自适应邻域查询（ANQ）、迁移学习和EMA引导的自训练策略来增强MEP点云分割。这些机制提高了几何感知能力，在稀疏监督下稳定了优化过程，并减轻了训练过程中的类别不平衡问题。此外，为了弥补合适数据集的缺乏，引入了两个住宅MEP数据集：地下车库数据集（UGD）和建筑MEP系统数据集（BMD）。UGD包含建筑和MEP组件，而BMD仅关注MEP元素。这两个数据集共同为研究混合和纯MEP环境提供了全面高质量的基准，填补了当前研究资源中的关键空白。
为了明确本研究的贡献，所提出的框架明确区分了从先前工作中改编的组件和本文中引入的组件。改编的组件包括一个带有残差-注意力特征编码的GarageNet类型编码器-解码器架构，这与点云语义分割中的常见做法一致，以及标准的弱/半监督成分，如EMA师生学习、基于置信度的自训练和语义一致性正则化。在这些基础上，新的贡献有四个方面：（1）一个针对住宅MEP语义分割的统一W-MEPNet框架，适用于极稀疏的点注释，具有分阶段训练流程，以确保在标签有限的情况下的稳定性；（2）一个ANQ模块，用于几何感知的邻域建模，该模块根据局部几何变化动态调整感受野，从而在监督稀疏时减少边界泄漏并提高细长和密集相邻MEP组件的区分能力；（3）使用从教师置信度分位数派生的类别特定自适应阈值进行类别感知的伪标签接受，以减轻偏差并稳定跨类别的伪标签细化；（4）一种从完全监督到弱监督的迁移学习策略，其中骨干网络在完全监督的室内数据集上预训练，然后通过分阶段冻结/微调方案适应于弱标记的MEP场景。这些贡献共同构成了一个全面且稳健的框架，能够处理大型住宅MEP点云分割中的几何不规则性、稀疏注释和类别不平衡问题。
本文的其余部分组织如下。第2节回顾了点云语义分割和弱监督学习方法的相关工作。第3节介绍了所提出的W-MEPNet，强调了其架构设计和训练策略。第4节介绍了UGD和BMD数据集。第5节详细介绍了实验设置，并提供了定量和定性评估。最后，第6节总结了研究结果和未来研究方向。
