UnderOneFacade

UnderOneFacade是由慕尼黑工业大学、剑桥大学等机构联合构建的全球首个跨大陆三维立面语义分割基准数据集，其规模空前且几何精度达厘米级。该数据集包含总计27亿个标注点，覆盖英国、德国和新加坡等多个城市的多样建筑风格，数据来源于静态与移动激光扫描仪采集的高密度点云。数据集创建过程严格遵循建筑学标准，通过人工精细标注并采用层次化语义分类体系（LoFG），确保了跨地域的语义一致性。该数据集旨在推动三维场景理解领域的发展，特别针对建筑立面细粒度解析、跨域泛化以及长尾分布下的稳健模型训练等核心挑战提供评估基准。UnderOneFacade is the world's first cross-continental 3D facade semantic segmentation benchmark dataset jointly developed by institutions including the Technical University of Munich and the University of Cambridge, boasting unprecedented scale and centimeter-level geometric accuracy. It contains a total of 2.7 billion annotated points, covering diverse architectural styles across multiple cities such as the United Kingdom, Germany and Singapore, with data sourced from high-density point clouds collected by static and mobile laser scanners. The dataset was constructed in strict compliance with architectural standards, with fine-grained manual annotation and a hierarchical semantic classification system (LoFG) employed to ensure cross-regional semantic consistency. This dataset is designed to advance the field of 3D scene understanding, and specifically serves as an evaluation benchmark for core challenges including fine-grained parsing of building facades, cross-domain generalization, and robust model training under long-tailed distributions.

原始信息汇总

数据集概述

UnderOneFacade 是一个全球范围内用于立面语义分割的基准数据集，专注于点云数据。它是目前规模最大的此类基准，旨在支持跨地域的3D立面分割模型开发与评估。

核心特点

• 规模：包含总计 27亿 个带标注的点。
• 地理范围：覆盖 3个大洲（英国、德国、新加坡）。
• 语义层级：
  • LoFG3（精细语义）：包含 15 个类别。
  • LoFG2（粗粒度语义）：包含 5 个类别。
• 数据精度：通过多传感器（如Leica RTC360、Leica BLK360、MODISSA移动测绘平台）采集，达到厘米级精度。
• 建筑风格：融合了维多利亚式、奥斯曼式以及东南亚殖民/现代等多种建筑风格。
• 基准测试：对8种代表性架构（如PointNet++、PTv3、KPConv等）进行了系统评估。

主要挑战与发现

• 当前模型在识别精细建筑元素（如窗户、门、装饰构件）时表现不佳。
• 在跨地理区域（尤其是欧洲与亚洲立面之间）存在显著的领域漂移现象，多个模型的F1分数下降超过 30 个点。
• 在精细语义基准（LoFG3）上，表现最佳的模型平均交并比（mIoU）仅为 33。

基准性能表现

• LoFG3 精细语义：
  • 最佳模型：Superpoint Transformer 在平均F1分数（μF1）和平均IoU（mIoU）上表现最佳，分别为 45.3 和 32.2。
  • 具体类别难点：模型在“楼梯”（stairs）、“百叶窗”（blinds）和“装饰”（deco）等类别上表现极差，部分模型得分为0。
• LoFG2 粗粒度语义：
  • 最佳模型：Point Transformer v1 (PTv1) 在平均F1分数（μF1）和平均IoU（mIoU）上表现最佳，分别为 68.5 和 54.1。
  • 聚合效果：语义聚合后，模型对主要结构区域（如“结构”、“楼层”）的分割一致性有所提升，但在“开口”和“装饰”类别上仍存在误差。

搜集汇总

数据集介绍

构建方式

UnderOneFacade数据集融合了分布于英国、德国和新加坡三个代表性区域的厘米级精度激光扫描点云数据，分别采用静态地面扫描仪（Leica RTC360）、车载移动扫描系统（MODISSA平台搭载Velodyne传感器）和背包式扫描仪（Leica BLK360）进行多模态采集，确保几何精度与建筑风格多样性。所有点云基于OpenStreetMap建筑足迹与5米缓冲区进行建筑级裁剪，并沿用ZAHA数据集提出的立面粒度层级（LoFG）概念，由专业标注人员在Cyclone 3DR软件中手工标注，涵盖LoFG1至LoFG3三个层级、15个细粒度语义类别，总计约27亿标注点。每个国家的子集按70/20/10比例划分为训练、验证和测试集，确保建筑级别空间不重叠。

特点

UnderOneFacade具备三大显著特点：其一，它是当前规模最大的跨洲际3D建筑立面基准，涵盖欧洲与东南亚迥异的建筑风格（如维多利亚式、豪斯曼式与新加坡现代高层混合风格），支持跨国家、跨大陆的迁移泛化评估；其二，数据集采用层次化、标准化的语义标签体系，与CityGML、IFC及艺术与建筑主题词表等国际标准对齐，实现细粒度（如窗、门、阳台、装饰线脚）与粗粒度类别（如结构、开口）的多级评估；其三，数据反映了真实世界的长尾分布，少数稀有类别（如装饰元素、拱门）样本稀少，对现有模型构成严峻挑战，实验中即使最优模型（DGCNN）在LoFG3上的平均交并比也仅达33.4%。

使用方法

该数据集主要用于评估和提升3D点云语义分割模型在建筑立面场景中的细粒度识别与跨域泛化能力。用户可通过项目页面下载点云数据、预训练模型与评估脚本，在统一训练协议下（如100个训练周期、固定超参数与均匀采样策略）比较点基、图基与Transformer基等主流架构的表现。建议使用XYZ几何坐标作为基准输入，并可探索加入RGB与激光强度等辐射特征以观察对薄弱几何信号类别的提升效果。数据集支持三种评估协议：单国家内训练与测试、跨国家零样本迁移（如欧洲→亚洲），以及完整数据集上的多级层次化评估，从而系统分析模型对建筑风格差异和长尾分布的鲁棒性。

背景与挑战

背景概述

立面语义分割作为城市场景理解与数字孪生构建的核心技术，其发展长期受制于缺乏大规模、高精度且地理覆盖广泛的标准化基准数据集。针对这一瓶颈，由慕尼黑工业大学、剑桥大学、诺丁汉大学及新加坡国立大学联合团队于2026年提出的UnderOneFacade数据集，代表了该领域的一项里程碑式进展。该数据集覆盖英国、德国与新加坡三大洲的多元建筑风格，以厘米级精度的激光雷达点云为基础，融合了2.7亿标注点与分层语义标签体系（LoFG1–LoFG3），统一了跨地区、跨传感器的语义标注标准。其核心研究问题聚焦于评估并推动三维立面分割模型在跨地域泛化、长尾分布识别及细粒度结构解析方面的能力，为全球范围内的城市数字孪生与自动化建筑分析提供了亟需的高质量基准。

当前挑战

UnderOneFacade所揭示的核心挑战体现在三个维度。首先，在领域问题层面，现有模型难以应对跨地域建筑风格带来的显著领域偏移，实验中最佳方法在细粒度LoFG3基准上仅达到33%的平均交并比，且从欧洲到亚洲的零样本迁移场景下，部分类别F1分数骤降超过30个百分点，凸显了模型在异质建筑环境中的脆弱性。其次，构建过程中面临双重困难：一是厘米级精度的多传感器（静态地面扫描、背包式与车载移动扫描）数据采集与全球地理配准的技术复杂度，二是历时约5500小时的人工精细标注，尤其在装饰线条与浮雕等模糊类别上需反复校对以保持语义一致性，校正率约10%。此外，数据固有的长尾分布使得门、窗、阳台等小尺度结构元素样本稀缺，进一步加剧了分割的不稳定性。

常用场景

经典使用场景

UnderOneFacade作为迄今规模最大的跨洲三维建筑立面语义分割基准数据集，其经典使用场景聚焦于推动面向细粒度建筑元素的点云语义分割方法的发展。凭借厘米级精度的激光扫描点云与层次化、标准化语义标注体系，该数据集为研究者提供了一个理想平台，用以评估和比较不同架构（如基于点、图及Transformer的模型）在真实长尾分布下的分割性能。数据集涵盖英国、德国与新加坡三地风格迥异的建筑立面，支持从粗粒度（LoFG2）到细粒度（LoFG3）的多层次评测，特别适用于检验模型在复杂建筑结构、细长构件及稀有类别上的识别能力。通过统一的训练与评估协议，该数据集已成为当前3D建筑立面理解领域最具挑战性的标杆，为验证模型在真实城市环境中的鲁棒性与泛化性提供了不可或缺的实验平台。

衍生相关工作

UnderOneFacade的发布催生了一系列重要的衍生研究方向与经典工作。在方法论层面，数据集为长尾分布下的细粒度3D语义分割研究提供了新的验证基准，促使研究者探索基于重采样、类别平衡损失及数据增强等技术的针对性优化方案。跨域泛化方面，零样本迁移实验的系统设计激发了关于域适应与域泛化技术在建筑立面分割中的深入探讨，相关研究逐步关注语义标签分布平衡性对迁移性能的关键影响。此外，数据集支持的多模态（几何+辐射）输入分析工作，推动了融合RGB与激光强度信息的稳健特征表示研究，揭示了单纯依赖几何特征或辐射特征可能带来的偏差问题。在Transformer架构领域，实验结果揭示其在立面分割中相较于传统方法的反直觉劣势，引发了针对点云Transformer几何感知能力改进的后续探索，催生了若干更为适配建筑结构特点的新型网络设计。

数据集最近研究

最新研究方向

UnderOneFacade作为目前规模最大的跨洲三维建筑立面语义分割基准数据集，推动了城市数字孪生和地理空间智能的前沿研究。当前热点方向聚焦于跨域泛化能力评估，特别是在不同大陆建筑风格间的零样本迁移分割，实验揭示现有模型在细粒度立面要素（如门窗、装饰构件）识别上存在显著性能衰减，最佳模型在精细级别上的平均交并比仅约33%。该数据集通过厘米级精度的点云、层次化标签体系和长尾分布特征，为开发鲁棒且可迁移的三维分割模型提供了严苛的基准，其跨国家、跨传感器的架构多样性挑战了当前Transformer与图神经网络等主流方法，凸显了三维场景理解中地理偏差与细粒度语义解析的关键瓶颈。

相关研究论文

• UnderOneFacade: Worldwide Facade Semantic Segmentation Benchmark Dataset

  慕尼黑工业大学; 剑桥大学·CV4DT; 诺丁汉大学; 新加坡国立大学 · 2026年