LMSeg：基于双图的大规模 landscapes 网格分割的端到端几何消息传递网络

对大规模三维 landscapes 网格进行语义分割是复杂环境下地理分析的关键任务，但现有方法在可扩展性、端到端可训练性以及对小且不规则对象的精准分割方面仍面临挑战。为此，我们引入了 BudjBim Wall (BBW) 数据集，这是一个源自澳大利亚维多利亚州的 UNESCO 世界遗产 Budj Bim 文化景观高分辨率激光扫描数据集，包含大量标注数据。BBW 数据集捕捉了在植被遮挡下难以检测的历史干石墙结构，支持文化遗产语境下的研究。在此数据集基础上，我们提出了 LMSeg，这是一种用于大规模网格语义分割的深度图消息传递网络。LMSeg 采用网格面的双图表示，并引入了几何聚合+(GA+)模块——一种可学习的softmax-based算子，能自适应组合邻域特征并捕捉高频几何变化。层次化-局部双池化整合了层次化和局部几何聚合，以平衡全局上下文与细节保留。在 SUM、H3D 和 BBW 三个大规模基准数据集上的实验表明，LMSeg 在 SUM 上实现了 75.1% 的 mIoU，在 H3D 上实现了 78.4% 的 O.A.，在 BBW 上实现了 62.4% 的 mIoU，仅使用 240 万参数。特别是，LMSeg 能够准确分割城市和自然场景——在复杂城市环境中捕捉车辆和高植被等小目标类，同时在密集遮挡的乡村景观中可靠检测干石墙。综上所述，BBW 数据集和 LMSeg 提供了一种实用且可扩展的方法，推动文化遗产、环境监测和城市应用领域的三维网格分割。