BuildingNet:学习标注 3D 建筑
计算机视觉与模式识别
2021-10-12 v1 图形学
摘要
我们提出 BuildingNet:(a) 一个大规模 3D 建筑模型数据集,其外观被一致地标注;(b) 一个图神经网络,通过分析几何基元的空间与结构关系来标注建筑网格。为创建我们的数据集,我们结合众包与专家指导,得到 513K 个标注的网格基元,分组为跨越 2K 个建筑模型的 292K 个语义部件组件。该数据集涵盖若干建筑类别,如房屋、教堂、摩天大楼、市政厅、图书馆和城堡。我们包含一个用于评估网格与点云标注的基准。与现有基准中的对象(如 ShapeNet、PartNet)相比,建筑具有更具挑战性的结构复杂性,因此,我们希望我们的数据集能够培育可应对此类大规模几何数据的算法的发展,用于视觉与图形任务,例如 3D 语义分割、基于部件的 generative 模型、对应、纹理映射,以及从真实世界建筑获取的点云数据分析。最后,我们展示了我们基于网格的图神经网络在标注 3D 网格方面显著优于若干基线。
引用
@article{arxiv.2110.04955,
title = {BuildingNet: Learning to Label 3D Buildings},
author = {Pratheba Selvaraju and Mohamed Nabail and Marios Loizou and Maria Maslioukova and Melinos Averkiou and Andreas Andreou and Siddhartha Chaudhuri and Evangelos Kalogerakis},
journal= {arXiv preprint arXiv:2110.04955},
year = {2021}
}
备注
Accepted to ICCV 2021 (oral)