带有语义-几何协同约束的多时相点云模型高保真更新方法

《Scientific Reports》：High-fidelity update method for multi-temporal point cloud models with semantic-geometric collaborative constraints

　　

摘要

点云模型的局部增量更新仍是城市数字治理中的核心挑战，受限于两个已充分记录的瓶颈：语义边界定位不准确以及融合区域纹理拼接中明显的接缝伪影。为克服这些局限，我们提出了一种高保真多时相点云更新方法，在统一的语义-几何协同约束框架下整合语义、几何和纹理信息。核心贡献在于跨阶段协同优化，涵盖语义边界提取、点云配准和纹理融合。这些改进并非来自单个子算法的突破，而是源于集成化流水线，它抑制了累积误差传播，并在所有处理阶段实现稳定性能提升。具体而言，我们将经典的布料模拟滤波（CSF）适配为语义自适应变体（SA-CSF）作为上游模块，通过自适应语义加权调整机械约束，以区分真实结构边界与由动态干扰引起的伪边。基于这些边界输出，空间拓扑感知的BiResNet流水线整合了成熟的位置感知卷积和图神经网络架构，以重建遮挡区域的拓扑结构并减轻对精确初始位姿的过度依赖。对于纹理协调，梯度域融合框架被扩展为语义加权多尺度泊松融合机制，并增强Phong模型，实现光照校正和细粒度纹理保留的联合优化。在滁州学院慧峰校区的点云数据上评估，该方法实现了语义边界提取的平均类别准确率92.5%和95%豪斯多夫距离（95% HD）2.1厘米，配准成功率91.6%且倒角距离为0.21米，纹理细节保留率90.10%且纹理接缝可见性为51.24%。虽然在两个纹理指标上均未排名第一，但该方法实现了接缝可见性降低与细节保留之间的最佳整体权衡。这种平衡对工程应用具有重要实际价值：在混合城市场景中，单指标方法（如用于细节的图割、用于接缝的平均值坐标）要么牺牲整体视觉连贯性，要么失去对细粒度管理至关重要的信息细节。统一流水线还减少了场景特定的参数调优工作量，降低了批量项目的运营成本。本工作为高保真多时相点云更新提供了有效解决方案，并支持数字孪生城市建设和城市数字治理。