LineGraph2Road：基于线图的结构图推理用于道路网络提取
计算机视觉与模式识别
2026-02-27 v1
摘要
从卫星影像中准确自动提取道路对于导航和城市规划应用至关重要，显著减少了对手动标注的需求。许多现有方法将此任务分解为关键点提取和连通性预测，但往往难以捕捉长程依赖和复杂拓扑结构。本文提出 LineGraph2Road，一个改进连通性预测的框架，通过将其建模为构造的全局稀疏欧几里得图中边的二元分类，其中节点是从分割掩码中提取的关键点，边连接距离阈值内的节点对，代表潜在的道路段。为更好地学习结构链接表示，我们将原始图转换为其对应的线图，并对其应用图变换器进行连通性预测。这种表述克服了端点嵌入在等价链接上的局限性，实现丰富的链接表示和对全局结构的有效关系推理。此外，我们引入一个 overpass/underpass 头以解决多层交叉，提出一种耦合 NMS 策略以保留关键连接。我们在三个基准（City-scale、SpaceNet、Global-scale）上对 LineGraph2Road 进行评估，表明它在两个关键指标 TOPO-F1 和 APLS 上取得最先进的结果。它还捕捉了真实世界部署中关键的细微视觉细节。我们将公开代码。
引用
@article{arxiv.2602.23290,
title = {LineGraph2Road: Structural Graph Reasoning on Line Graphs for Road Network Extraction},
author = {Zhengyang Wei and Renzhi Jing and Yiyi He and Jenny Suckale},
journal= {arXiv preprint arXiv:2602.23290},
year = {2026}
}