RoofSeg：一种用于端到端屋顶平面分割的边缘感知Transformer网络

屋顶平面分割是从机载激光雷达（LiDAR）点云重建细节层次（LoD）2 和 3 级三维（3D）建筑模型的关键步骤之一。当前大多数屋顶平面分割方法依赖于人工设计或学习的特征，并结合一些专门设计的几何聚类策略。由于学习到的特征比人工设计的特征更强大，基于深度学习的方法通常优于传统方法。然而，当前的深度学习方法存在三个未解决的问题。第一，它们大多并非真正的端到端，平面分割结果可能不是最优的。第二，边缘附近的点特征判别力相对较低，导致平面边缘不准确。第三，平面几何特性未被充分考虑以约束网络训练。为解决这些问题，我们开发了一种新颖的边缘感知 Transformer 网络，名为 RoofSeg，用于以真正的端到端方式从 LiDAR 点云中分割屋顶平面。在 RoofSeg 中，我们利用基于 Transformer 编码器-解码器的框架，通过使用一组可学习的平面查询来分层预测平面实例掩码。为了进一步提高边缘区域的分割精度，我们还设计了一个边缘感知掩码模块（EAMM），该模块充分融入了边缘的平面几何先验，以增强其对平面实例掩码细化的判别力。此外，我们在掩码损失中提出了一种自适应加权策略，以减少误分类点的影响，并提出了一种新的平面几何损失来约束网络训练。