基于吸引力场图的Transformer建筑物边界重建
计算机视觉与模式识别
2025-07-24 v1
摘要
近年来，绕地球运行的遥感卫星数量显著增长，流式传输大量高分辨率视觉数据，以支持民用、公共和军事领域的多种应用。在这些应用中，由于卫星提供的广泛覆盖和详细图像，建成环境空间地图的生成和更新变得至关重要。然而，从卫星图像重建空间地图是一项复杂的计算机视觉任务，需要创建高级对象表示（例如图元）以准确捕捉建成环境。尽管过去十年在利用视觉数据进行目标检测和表示方面取得了显著进展，但基于图元的对象表示仍然是计算机视觉中的一个持续挑战。因此，高质量的空间地图通常依赖于劳动密集型的人工过程。本文介绍了一种新颖的深度学习方法，利用图卷积网络（GCNs）来解决建筑物足迹重建中的这些挑战。所提出的方法通过将几何正则性融入建筑物边界、整合多尺度和多分辨率特征以及将吸引力场图嵌入网络中来提升性能。这些创新为从单张卫星图像自动提取建筑物足迹提供了一种可扩展且精确的解决方案，为城市规划、灾害管理和大规模空间分析中的有影响力的应用铺平了道路。我们的模型Decoupled-PolyGCN在AP上比现有方法提升6%，在AR上提升10%，证明了其在多样且具有挑战性的场景中生成准确且规则化的建筑物足迹的能力。
引用
@article{arxiv.2507.17038,
title = {Transformer Based Building Boundary Reconstruction using Attraction Field Maps},
author = {Muhammad Kamran and Mohammad Moein Sheikholeslami and Andreas Wichmann and Gunho Sohn},
journal= {arXiv preprint arXiv:2507.17038},
year = {2025}
}