ZAHA

ZAHA数据集是由慕尼黑工业大学创建的，是目前最大的3D立面语义分割数据集，包含601亿个标注点。数据集涵盖了多种建筑风格的66个立面，提供了15个与立面相关的类别。数据集的创建基于国际城市建模标准，确保了与现实世界挑战性类别的兼容性和方法的统一比较。数据集的创建过程利用了移动激光扫描（MLS）设备获取的密集街道级点云数据，并进行了详细的语义标注。ZAHA数据集主要应用于3D立面语义分割和城市数字孪生的创建，旨在解决立面语义分割中的挑战性问题。

The ZAHA Dataset, developed by the Technical University of Munich, is currently the largest 3D facade semantic segmentation dataset. It contains 60.1 billion annotated points, covering 66 facades across diverse architectural styles and providing 15 facade-related semantic categories. Built in compliance with international urban modeling standards, the dataset ensures compatibility with challenging real-world semantic categories and enables unified comparative evaluations of different methods. Its development utilizes dense street-level point cloud data acquired via Mobile Laser Scanning (MLS) equipment, accompanied by thorough semantic annotation. The ZAHA Dataset is primarily applied to 3D facade semantic segmentation and urban digital twin construction, with the goal of addressing challenging problems in facade semantic segmentation.

原始信息汇总

ZAHA 数据集概述

数据集简介

• 名称: ZAHA
• 类型: 点云数据集
• 用途: 立面语义分割
• 规模: 包含 601 百万个标注点
• 特点:
  • 引入 LoFG（Level of Facade Generalization），支持立面的层次化理解
  • 包含多种建筑风格
  • 提供本地和全球（UTM）坐标参考系统
  • 文件名指向巴伐利亚官方 CityGML LoD2 建筑模型

数据下载

• 下载链接: 下载地址
• 密码: zahahadid

数据集亮点

• 601 百万标注点
• 引入 LoFG：Level of Facade Generalization，支持立面的层次化理解
• 多种建筑风格
• 本地和全球（UTM）坐标参考系统
• 文件名指向官方 CityGML LoD2 建筑模型

立面语义分割结果

LoFG3 结果

模型	OA	P	R	F1	IoU
PointNet	59.9	46.1	42.2	38.7	26.4
PointNet++	66.4	37.8	35.9	34.8	25.6
Point Transformer	75.0	52.7	54.7	52.1	41.6
DGCNN	71.1	53.6	45.8	44.5	33.4

LoFG2 结果

模型	OA	P	R	F1	IoU
PointNet	71.9	69.6	68.1	68.1	55.8
PointNet++	75.5	73.0	73.0	72.6	59.8
Point Transformer	78.2	75.8	76.6	76.1	63.9
DGCNN	82.6	80.0	81.8	80.4	68.5

引用

plain @article{wysockietalZAHA, author = {Wysocki, O. and Tan, Y. and Froech, T. and Xia, Y. and Wysocki, M. and Hoegner, L. and Cremers, D. and Holst Ch.}, title = {ZAHA: Introducing the Level of Facade Generalization and the Large-Scale Point Cloud Facade Semantic Segmentation Benchmark Dataset}, booktitle = {Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV)}, year = {2025}, }

plain @misc{wysocki2024zahaintroducinglevelfacade, title={ZAHA: Introducing the Level of Facade Generalization and the Large-Scale Point Cloud Facade Semantic Segmentation Benchmark Dataset}, author={Olaf Wysocki and Yue Tan and Thomas Froech and Yan Xia and Magdalena Wysocki and Ludwig Hoegner and Daniel Cremers and Christoph Holst}, year={2024}, eprint={2411.04865}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2411.04865}, }

搜集汇总

数据集介绍

构建方式

ZAHA数据集的构建基于国际城市建模标准，通过引入Level of Facade Generalization (LoFG) 这一新颖的分层立面类别，确保了与现实世界中复杂类别的兼容性及方法比较的一致性。该数据集利用移动激光扫描（MLS）设备，从慕尼黑市采集了66个不同建筑风格的立面，生成了包含601百万个标注点的3D立面语义分割数据集。这些点云数据被细分为五个和十五个LoFG2和LoFG3类别，分别进行标注。此外，数据集的构建过程中还结合了CityGML、IFC和Art and Architecture Thesaurus (AAT)等国际标准，以确保类别定义的准确性和一致性。

特点

ZAHA数据集的主要特点在于其规模之大和类别之丰富，是目前最大的3D立面语义分割数据集，提供了超过601百万个标注点。其分层类别设计（LoFG）不仅涵盖了从抽象到具体的多个层次，还确保了与现有3D语义重建类别的无缝对接。此外，数据集包含了多种建筑风格和功能的立面，极大地增强了算法的泛化能力和实际应用价值。

使用方法

ZAHA数据集适用于开发和验证3D立面语义分割算法，特别适用于需要处理复杂和多样化立面元素的应用场景。研究者可以使用该数据集训练深度学习模型，如PointNet、PointNet++、Point Transformer和DGCNN等，以提升算法在立面分割任务中的表现。数据集的分层类别设计允许研究者在不同抽象层次上评估和比较算法性能，从而更全面地理解和改进立面分割技术。

背景与挑战

背景概述

ZAHA数据集由慕尼黑工业大学的研究人员于2024年创建，旨在解决建筑立面语义分割的长期挑战。该数据集引入了立面泛化级别（LoFG），这是一种基于国际城市建模标准的新型分层立面类别，确保与现实世界中的复杂类别兼容，并提供统一的方法比较。ZAHA数据集是目前最大的语义3D立面分割数据集，提供了601亿个标注点，涵盖五个和十五个LoFG2和LoFG3类别。该数据集的推出不仅填补了立面类别和数据的空白，还为城市数字孪生的创建提供了不可或缺的鲁棒分割方法。

当前挑战

ZAHA数据集在构建过程中面临多个挑战。首先，立面类别的异质性导致了对立面元素特征的误解，阻碍了大规模高变异性数据集的开发。其次，现有数据集中标注的立面样本有限，仅有的两个数据集TUM-FAC¸ ADE和ArCH分别专注于单一大学数据集和特定文化遗产建筑。此外，ZAHA数据集还面临着处理消费者级移动激光扫描（MLS）设备获取的未过滤点云数据的挑战，这些数据包含未修正的噪声和动态物体，以及内部反射和邻近立面物体。这些因素共同构成了ZAHA数据集在立面语义分割领域的主要挑战。

常用场景

经典使用场景

ZAHA数据集在建筑立面语义分割领域展现了其经典应用场景。通过提供601百万个标注点，该数据集支持了五类和十五类的立面元素分割，为研究人员提供了一个大规模、高变异性的基准。ZAHA不仅涵盖了从住宅到文化遗产建筑的多种风格，还通过引入Level of Facade Generalization (LoFG) 概念，确保了与国际城市建模标准的兼容性，从而促进了方法的统一比较和实际应用的稳健性。

解决学术问题

ZAHA数据集解决了建筑立面语义分割中的多个学术研究问题。首先，它填补了现有数据集中立面类别异质性和样本量有限的空白，通过提供大规模、多样的立面点云数据，推动了算法的泛化能力研究。其次，ZAHA引入了LoFG，这一基于国际标准的分层立面类别系统，解决了立面元素分类不一致的问题，为方法的评估和比较提供了统一框架。此外，该数据集还揭示了现有方法在处理复杂和稀有类别时的局限性，激发了新的研究方向。

衍生相关工作

ZAHA数据集的发布催生了多项相关经典工作。研究者们基于ZAHA开发了多种立面语义分割算法，显著提升了分割精度和对复杂类别的识别能力。例如，PointNet和PointNet++在ZAHA上的应用展示了其在点云数据处理中的强大潜力。此外，ZAHA还促进了跨领域的研究，如将立面分割结果应用于3D建筑模型的自动生成和城市环境的语义理解。这些工作不仅丰富了计算机视觉和摄影测量学的研究内容，也为实际应用提供了技术支持。