FloorSAM：基于语义-几何融合的SAM引导平面图重建
计算机视觉与模式识别
2025-09-22 v1 人工智能
摘要
从点云数据重建建筑平面图对于室内导航、BIM和精确测量至关重要。传统方法如几何算法和基于Mask R-CNN的深度学习常面临噪声、泛化能力有限和几何细节丢失等问题。我们提出FloorSAM，这是一个将点云密度图与Segment Anything Model (SAM)集成以从LiDAR数据中精确重建平面图的框架。通过基于网格的滤波、自适应分辨率投影和图像增强，我们创建了鲁棒的自上而下密度图。FloorSAM利用SAM的零样本学习进行精确的房间分割，提升了在各种布局下的重建效果。通过自适应提示点和多阶段滤波生成房间掩码，随后进行联合掩码与点云分析以提取并规则化轮廓。这生成了精确的平面图并恢复了房间拓扑关系。在Giblayout和ISPRS数据集上的测试表明，该方法比传统方法具有更好的准确率、召回率和鲁棒性，尤其是在噪声和复杂环境中。代码和材料：github.com/Silentbarber/FloorSAM。
引用
@article{arxiv.2509.15750,
title = {FloorSAM: SAM-Guided Floorplan Reconstruction with Semantic-Geometric Fusion},
author = {Han Ye and Haofu Wang and Yunchi Zhang and Jiangjian Xiao and Yuqiang Jin and Jinyuan Liu and Wen-An Zhang and Uladzislau Sychou and Alexander Tuzikov and Vladislav Sobolevskii and Valerii Zakharov and Boris Sokolov and Minglei Fu},
journal= {arXiv preprint arXiv:2509.15750},
year = {2025}
}
备注
12 pages, 15 figures,