Reconstructing Compact Building Models from Point Clouds Using Deep Implicit Fields

要約

3 次元 (3D) 建物モデルは、多くの実世界のアプリケーションでますます重要な役割を果たしていますが、建物をコンパクトに表現することは未解決の問題のままです。
この論文では、点群からコンパクトで防水性のある多角形の建物モデルを再構築するための新しいフレームワークを提示します。
私たちのフレームワークは3つのコンポーネントで構成されています。（a）セル複合体は、候補セットとして多面体埋め込みを提供する適応空間分割によって生成されます。
(b) 暗示的なフィールドは、建物の占有率の推定を容易にするディープ ニューラル ネットワークによって学習されます。
(c) 組み合わせ最適化によって建物の外面を抽出するために、マルコフ確率場が定式化されます。
私たちの方法を評価し、一般的な再構成、モデルベースの再構成、ジオメトリの単純化、およびプリミティブ アセンブリにおける最先端の方法と比較します。
合成点群と実世界点群の両方での実験により、ニューラルガイド戦略を使用して、忠実度、コンパクトさ、および計算効率において大きな利点を備えた高品質の建物モデルを取得できることが実証されました。
私たちの方法は、ノイズや不十分な測定に対する堅牢性も示しており、合成スキャンから実際の測定に直接一般化できます。
この作品のソース コードは、https://github.com/chenzhaiyu/points2poly で自由に入手できます。

要約(オリジナル)

While three-dimensional (3D) building models play an increasingly pivotal role in many real-world applications, obtaining a compact representation of buildings remains an open problem. In this paper, we present a novel framework for reconstructing compact, watertight, polygonal building models from point clouds. Our framework comprises three components: (a) a cell complex is generated via adaptive space partitioning that provides a polyhedral embedding as the candidate set; (b) an implicit field is learned by a deep neural network that facilitates building occupancy estimation; (c) a Markov random field is formulated to extract the outer surface of a building via combinatorial optimization. We evaluate and compare our method with state-of-the-art methods in generic reconstruction, model-based reconstruction, geometry simplification, and primitive assembly. Experiments on both synthetic and real-world point clouds have demonstrated that, with our neural-guided strategy, high-quality building models can be obtained with significant advantages in fidelity, compactness, and computational efficiency. Our method also shows robustness to noise and insufficient measurements, and it can directly generalize from synthetic scans to real-world measurements. The source code of this work is freely available at https://github.com/chenzhaiyu/points2poly.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google