ReLoD3

ReLoD3数据集是由慕尼黑工业大学等机构创建的开源纹理化基准数据集，包含同步的LoD3模型、全景图像以及手动纹理化的低级LoD2建筑模型。该数据集旨在为LoD3建筑模型的重建提供实验验证，支持更精确的立面细节分割，可替代成本高昂的手动投影，推动LoD3模型的应用，例如在建筑太阳能潜力评估或增强自动驾驶模拟中。

The ReLoD3 dataset is an open-source texturing benchmark dataset developed by the Technical University of Munich and other institutions. It contains synchronized LoD3 models, panoramic images, and manually textured lower-level LoD2 building models. This dataset is designed to provide experimental validation for the reconstruction of LoD3 building models, enable more precise facade detail segmentation, replace costly manual projection workflows, and advance the application of LoD3 models in scenarios such as building solar potential assessment and enhanced autonomous driving simulation.

搜集汇总

数据集介绍

构建方式

ReLoD3数据集的构建基于高精度移动激光扫描（MLS）点云数据，结合手动4点投影的透视地面光学图像和Google街景图像（GSV）。该数据集包含27个独特的LoD3模型，这些模型根据CityGML标准建模，涵盖了窗户、门和屋檐等细节。数据采集地点位于德国慕尼黑，作为TUM2TWIN计划的一部分。通过精确的几何和语义标注，ReLoD3提供了高质量的纹理和分割基准。

特点

ReLoD3数据集的特点在于其高精度的LoD3模型和丰富的多模态数据。数据集不仅包含厘米级精度的3D建筑模型，还提供了与之同步的全景图像和手动纹理化的低级别LoD2建筑模型。此外，ReLoD3还包含了238个窗户和38个门的实例，覆盖了多种建筑立面。这些数据为建筑立面分割和纹理投影任务提供了可靠的基准。

使用方法

ReLoD3数据集的使用方法主要包括三个步骤：首先，利用数据集提供的LoD3模型和全景图像进行建筑立面的自动分割和纹理投影；其次，通过手动或自动方法对图像进行校正和配准，以确保几何一致性；最后，使用数据集提供的标注数据进行模型训练和评估。该数据集特别适用于研究LoD3建筑重建、立面分割和多模态数据融合等任务。

背景与挑战

背景概述

ReLoD3数据集由慕尼黑工业大学和新加坡国立大学的研究团队于2025年推出，旨在解决城市三维建模领域LOD3（Level of Detail 3）建筑重建的难题。该数据集作为Texture2LoD3方法的核心验证基准，包含27个符合CityGML标准的精细建筑模型，集成了移动激光扫描数据、地面光学影像和街景全景图像。其创新性在于首次实现了LoD3模型与多源影像数据的同步标注，为建筑立面语义分割研究提供了厘米级精度的地面真值。该数据集的发布突破了传统建筑模型在立面开口（如门窗）纹理映射方面的局限性，显著推动了建筑太阳能潜力评估、自动驾驶仿真等应用领域的发展。

当前挑战

ReLoD3数据集面临双重挑战：在领域问题层面，需解决街景图像透视畸变导致的立面元素几何失真问题，以及先验模型与全景图像的多模态配准难题；在构建过程中，研究团队需要克服CityGML模型与实景影像的尺度差异，通过四点多边形拟合和射线投射技术实现亚像素级纹理对齐。此外，数据采集涉及复杂的光照条件控制和移动激光扫描系统的毫米级精度标定，而语义标注则需处理建筑立面元素在透视变换下的类别一致性保持问题。这些挑战使得该数据集成为测试几何保持型图像分割算法的理想基准。

常用场景

经典使用场景

ReLoD3数据集在建筑信息建模（BIM）和城市三维重建领域具有广泛的应用。该数据集通过整合全景图像和低细节三维建筑模型，实现了高精度的LoD3级别建筑重建。其经典使用场景包括建筑立面纹理映射、几何细节增强以及语义分割任务。数据集提供的同步化LoD3模型、全景图像及人工纹理数据，为研究者在复杂城市环境下的建筑立面解析提供了标准化测试平台。

实际应用

在实际应用层面，ReLoD3数据集支撑了多个城市数字化场景。其重建的LoD3模型可精准计算建筑太阳能潜力，为绿色能源规划提供数据基础。在自动驾驶领域，增强的立面细节能够提升仿真环境的真实性。数据集还可用于文化遗产数字化保护，通过高保真纹理映射实现历史建筑的可逆性修复。与Google街景等大众化数据的兼容性，使其在城市尺度的应用中具备显著成本优势。

衍生相关工作

基于ReLoD3数据集已衍生出多项创新研究。Texture2LoD3方法开创性地利用先验模型进行图像正交校正，相关技术被扩展应用于点云-图像多模态融合。Scan2LoD3工作通过引入激光雷达冲突图分析，进一步提升了立面开口检测精度。在语义分割方向，该数据集催生了面向建筑元素的专用网络架构，如结合CLIP的开放集识别模型。这些工作共同推动了《CityGML》标准在智慧城市建设中的落地应用。