基于语义引导的从3D点云重建弱曼哈顿风格室内实际建筑信息模型（BIM）的方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Semantics-guided Reconstruction of Weak-Manhattan Indoor as-built BIMs from 3D Point Clouds

　　

摘要：

从3D点云重建室内实际建造的BIM（建筑信息模型）因其广泛的应用潜力而受到了极大的关注。然而，严重遮挡和杂乱的环境以及室内建筑结构的复杂性给自动重建任务带来了挑战。为了解决这些问题，我们提出了一种有效的流程，可以直接从原始3D点云中重建弱曼哈顿结构的室内实际建造BIM。基于我们之前研究得出的细粒度语义信息，我们首先开发了一种无需对固定大小输入进行降采样操作的语义引导房间分割方法，从而避免了房间边界细节的丢失，尤其是在大规模室内场景中。接下来，我们提出了一种不依赖于严格曼哈顿假设的房间级向量化方法。这一过程使我们能够在尽可能保留房间原始形状的同时实现规则的房间边界。最后，主要建筑结构和墙内元素被转换成弹出式3D模型，以便后续组装出完整的BIM。为了验证我们的方法的可靠性和鲁棒性，我们在现有的S3DIS和Matterport3D数据集上进行了定性和定量分析。我们的方法比现有的最先进方法表现更好，能够保留更精细的边界细节，并达到分米级的建模精度。我们的代码已公开发布在https://github.com/wangxuzhecode/FloorSG。