PolyGNN：基于多面体的图神经网络用于从点云重建三维建筑
计算机视觉与模式识别
2024-10-15 v2
摘要
我们提出 PolyGNN，一种基于多面体的图神经网络，用于从点云进行三维建筑重建。PolyGNN 通过学习以图节点分类方式组装多面体分解所得的基元，实现水密且紧凑的重建。为在神经网络中有效表示任意形状的多面体，我们提出一种基于骨架的采样策略以生成多面体级查询。这些查询随后与多面体间邻接关系结合以增强分类。PolyGNN 可端到端优化，并采用索引驱动的批处理技术以适应可变大小输入点、多面体与查询。为解决现有城市建筑模型与底层实例间的抽象鸿沟并提供对所述方法的公平评估，我们在一个具有明确定义多面体标签真值的大规模合成数据集上开发该方法。我们进一步开展了跨城市及在真实世界点云上的可迁移性分析。定性与定量结果均证明了方法的有效性，尤其是其在大规模重建中的高效性。源代码与数据见 https://github.com/chenzhaiyu/polygnn。
引用
@article{arxiv.2307.08636,
title = {PolyGNN: Polyhedron-based Graph Neural Network for 3D Building Reconstruction from Point Clouds},
author = {Zhaiyu Chen and Yilei Shi and Liangliang Nan and Zhitong Xiong and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2307.08636},
year = {2024}
}
备注
Accepted for publication in ISPRS Journal of Photogrammetry and Remote Sensing