基于 LiDAR-惯性定位和 RGB 直接标签迁移的增量语义引导网格化

在大型复杂室内环境（如文化建筑）中，从 LiDAR-惯性扫描进行几何高保真网格重建仍具有挑战——点云稀疏、几何漂移以及固定融合参数会导致孔洞、过平滑和结构边界的伪表面。我们提出一种模块化、增量的 RGB+LiDAR 管线，通过基于扫描帧的直接标签迁移从室内扫描生成增量语义引导的高质量网格。视觉基础模型为每个输入 RGB 帧生成标签；标签逐帧投影并融合到 LiDAR-惯性定位地图中；随后通过 marching cubes 进行增量语义感知的截断符号距离函数（TSDF）融合步骤生成最终网格。这种帧级融合策略保留了 LiDAR 的几何保真度，同时利用丰富的视觉语义在因点云稀疏和几何漂移导致的重建边界几何模糊问题上发挥作用。我们证明语义引导可改善几何重建质量；因此，对 Oxford Spires 数据集进行几何指标的定量评估，而 NTU VIRAL 数据集的结果则进行定性分析。该方法超越最先进的几何基线 ImMesh 和 Voxblox，展示了语义引导融合对几何网格质量的益处。生成的带语义标签的网格在重建 Universal Scene Description（USD）资产方面具有价值，为从室内 LiDAR 扫描到 XR 和数字建模提供了一条路径。