Building-PCC

Building-PCC数据集是由荷兰代尔夫特理工大学创建，专注于城市建筑点云完成的基准数据集。该数据集包含从海牙和鹿特丹两城市收集的50,000个建筑实例，每个实例关联AHN3和AHN4两套机载点云数据及手工重建的3D建筑模型作为基准。数据集旨在评估深度学习方法在处理因遮挡、信号吸收等因素导致的点云不完整性方面的性能，特别适用于3D地理信息应用，如3D重建、语义理解和自动驾驶等领域的研究。The Building-PCC dataset was created by Delft University of Technology in the Netherlands, serving as a benchmark dataset focused on urban building point cloud completion. It contains 50,000 building instances collected from The Hague and Rotterdam. Each instance is associated with two airborne point cloud datasets (AHN3 and AHN4) and manually reconstructed 3D building models as the benchmark. The dataset aims to evaluate the performance of deep learning methods in handling point cloud incompleteness caused by factors such as occlusion and signal absorption, and it is particularly suitable for research in 3D geospatial applications including 3D reconstruction, semantic understanding, autonomous driving and other fields.

搜集汇总

数据集介绍

构建方式

Building-PCC数据集的构建过程涉及从荷兰海牙和鹿特丹两个城市收集约50,000个建筑实例，并将每个实例与两组空中激光雷达点云数据（AHN3和AHN4）以及从手动重建的3D建筑模型中采样的真实数据相关联。使用BAG标识符从LoD2建筑模型中精确提取单个建筑模型，并使用Easy3D库自动纠正模型中的错误。对于AHN点云数据，我们实施了一个基于LoD2模型的建筑实例分割流程，包括使用俯视阴影技术提取建筑模型的足迹，并对足迹进行拓扑错误修正。最后，我们将点云投影到2D并使用生成的足迹进行裁剪，从而为每个建筑获取完整的点云以及从AHN3和AHN4数据集中获得的两种类型的部分点云。

使用方法

Building-PCC数据集的使用方法包括将单个建筑模型与其采样的点和相应的实际扫描建筑的部分点云相关联。首先，使用BAG标识符从LoD2建筑模型中精确提取单个建筑模型，并使用Easy3D库自动纠正模型中的错误。然后，对于AHN点云数据，实施了一个基于LoD2模型的建筑实例分割流程，包括使用俯视阴影技术提取建筑模型的足迹，并对足迹进行拓扑错误修正。最后，将点云投影到2D并使用生成的足迹进行裁剪，从而为每个建筑获取完整的点云以及从AHN3和AHN4数据集中获得的两种类型的部分点云。使用这些数据，研究人员可以对现有的深度学习方法进行评估和改进，以更好地完成建筑点云补全任务。

背景与挑战

背景概述

随着三维传感技术的飞速发展，获取物体的三维形状信息变得日益便捷。激光雷达技术以其能够从远距离准确捕捉物体三维信息的能力，在城市场景的三维数据收集中被广泛应用。然而，由于遮挡、信号吸收和镜面反射等因素，收集到的点云数据往往表现出不完整性。为了处理这些不完整的数据，本研究探索了点云补全技术在城市建筑点云补全任务中的应用，并建立了一个新的现实世界基准数据集Building-PCC，以评估现有深度学习方法的性能。该数据集的创建基于荷兰海牙和鹿特丹两个城市的50000个建筑实例，每个实例都与两组机载点云数据（AHN3和AHN4）以及从手动重建的三维建筑模型中采样的真实数据相关联。与现有数据集相比，Building-PCC数据集基于现实世界场景，由于其复杂和多变的特性，更具挑战性。

当前挑战

Building-PCC数据集相关的挑战包括：1) 数据集不平衡的影响：在点云补全任务中，尽管没有语义标签上的数据不平衡问题，但点云中局部几何结构的分布不均。现有数据集如ShapeNet可以通过增加同一类别中不同风格的点云来增强数据，但对于真实世界建筑点云，不完整区域主要集中在底部和立面，而不是屋顶。这导致模型更容易完成这些区域的几何结构，但在预测缺失屋顶部分的完整几何结构时出现不准确。2) 细节损失的限制：现有方法在预测完整建筑点云时普遍存在细节丢失和锐利特征过度平滑的问题，这会降低点云的准确性，从而影响下游应用的质量。3) 归一化问题：现有的点云补全方法通常通过将部分点云与真实数据对齐来进行归一化，根据真实数据的中心和尺度调整部分点云。然而，在实际应用中，特别是对于建筑点云补全任务，这种方法并不总是可行的，因为并非所有建筑都有可用的真实数据或模型作为参考。如果部分点云不能与真实数据准确对齐，可能会导致模型训练或预测失败。

常用场景

经典使用场景

Building-PCC数据集是专门为建筑点云补全任务设计的真实世界数据集。它收集了荷兰海牙和鹿特丹两座城市的50,000个建筑实例，并与从手动重建的3D建筑模型中采样的真实数据相匹配。该数据集旨在评估现有深度学习方法在处理城市建筑点云补全任务中的性能。通过综合评估不同方法，我们分析了建筑点云补全中的关键挑战，旨在促进3D地学信息应用领域的创新。

解决学术问题

Building-PCC数据集解决了现有深度学习方法在实际城市环境中性能不佳的问题。现有的数据集主要集中在CAD模型数据集，缺乏在真实世界场景中的评估。Building-PCC数据集提供了基于真实世界场景的基准，为深度学习方法提供了更全面的评估，有助于推动3D地学信息应用领域的创新。

实际应用

Building-PCC数据集在实际应用中可以用于城市建筑的3D重建、语义理解、变化检测和自动驾驶等领域。通过补全点云数据，可以恢复完整的建筑结构，从而提高3D重建的准确性，并帮助城市规划和城市管理等应用。

数据集最近研究

最新研究方向

Building-PCC数据集的提出旨在解决城市建筑点云数据的不完整性问题，通过深度学习方法对点云进行补全，恢复完整的建筑结构。该数据集基于荷兰海牙和鹿特丹两座城市的实际场景，包含了5万个建筑实例及其对应的真实扫描点云数据。通过对现有深度学习方法的全面评估，该研究揭示了建筑点云补全任务中的关键挑战，包括数据集不平衡、细节丢失和点云归一化问题。针对这些挑战，研究提出了相应的解决方案，如开发能够捕捉全局特征的神经网络、改进损失函数以及利用外部数据辅助归一化和数据平衡等。这为未来城市建筑点云补全技术的发展提供了新的方向。

相关研究论文

• Building-PCC: Building Point Cloud Completion Benchmarks

  代尔夫特理工大学, 荷兰 · 2024年