深圳大学与圭尔夫大学联合提出城市场景LOD树生成算法
为城市场景重建精确且详细的三维模型
（映维网Nweon 2025年09月11日）三维重建技术的进步，例如摄影测量法和激光雷达扫描，使得为城市场景重建精确且详细的三维模型变得更加容易。然而，重建模型通常包含大量的几何基元，使得交互式操作和渲染变得困难，尤其是对于虚拟现实平台等资源受限的设备上。因此，为模型生成合适的细节层次（LOD） 表示至关重要。
另外，自动重建的三维模型往往存在噪点且缺乏语义信息。解决这些问题并创建既能抵抗噪点又能捕获语义意义的LOD表示，面临着巨大的挑战。
在一项研究中，深圳大学和加拿大圭尔夫大学团队提出了一种新颖的算法来应对相关挑战。首先分析从输入中检测到的平面基元的特性，并通过形成有意义的三维结构将这些基元分组到多个层级集合中。层级集合构成了我们创新的LOD树的节点。
通过在LOD树中适当深度选择节点，可以生成不同的LOD表示。在真实且复杂的城市场景上的实验结果证明了所提出方法在生成准确且具有语义意义的LOD表示方面的优势。
细节层次（LOD） 的概念指的是在不同场景中使用多分辨率模型。它最初是为了在计算资源有限的情况下实现复杂场景的实时渲染而引入，远处的物体可以用更少的多边形或更简单的纹理表示，而靠近观察者的物体则可以呈现更多细节。
如今，LOD模型的应用已远超实时渲染领域，众多应用都需要它。应用中的每一项都对LOD模型提出了特定的要求，凸显了对高级LOD表示的需求，以便有效地操作和渲染三维城市场景。
当前的LOD生成方法可分为两类：
视觉依赖方法利用低层次几何线索迭代简化模型以获得多尺度表示。简化过程通常依赖于几何或视觉度量。相关方法提供了极大的灵活性，因为用户可以导航到任何中间状态以获得所需模型，确保模型之间平滑的视觉过渡。然而，这种灵活性可能导致大量缺乏语义意义的中间状态，给进一步的建模或分析带来挑战。
语义感知方法则遵循预定义的LOD定义。为了生成符合这些定义的LOD模型，这些方法需要精确识别和分割输入数据中的结构。然而，由于目前缺乏用于学习高层特征的大规模标注城市场景数据集，现有方法只能依赖几何属性进行语义感知分割。这种对固定LOD定义的依赖不仅限制了它们表示复杂几何的能力，也必然会导致歧义和细节丢失。
在一项研究中，深圳大学和加拿大圭尔夫大学团队引入了一种新颖的LOD树 表示法，用于为三维城市场景灵活构建简洁且结构化的LOD模型。为了构建LOD树，首先提出内外视图（Inside/Outside View, IO-View） 来分析从输入中检测到的平面基元的特性，并通过形成有意义的三维结构将这些基元分组到多个层级集合中。与以往的语义感知方法不同，IO-View分析算法不仅考虑单个平面基元的几何属性，同时考虑它们之间的相互关系。
随后，这些层级集合构成了创新LOD树的节点。对应于主要基元（如屋顶和墙壁）的节点更靠近根节点，而包含次要基元（如门窗）的节点则更靠近叶子节点。最后，团队提出了一种遍历LOD树的策略，从根节点开始，结合不同深度的节点，以灵活地提取不同细节层次的模型。
对于研究人员提出了的全新表示法，LOD树（用于从密集点云或网格中提取具有不同LOD的模型。LOD树平衡了高层次基于语义的LOD方法和低层次基于几何线索的LOD方法，同时保留了高效操作生成模型的能力。LOD树的成功依赖于通过提出的IO-View对输入检测到的平面基元进行整体分析，这减少了空间划分过程中可能出现的缺乏语义意义的状态。
这项研究的核心目标是解决使用几何驱动方法从未标注的建筑数据集中提取结构元素的挑战。尽管所提出的方法利用了平面与空间划分之间的相互作用，但其有效性本质上受限于检测到的平面的准确性，而这些平面对多视角立体视觉方法通常引入输入模型的噪点更为敏感。
另外，一旦LOD树构建完成，目前不再有进一步编辑或修改的机制。作为未来的研究方向，团队旨在探索如何在空间划分过程中同时进行平面的检测、编辑和规则化，以开发更全面的LOD表示。同时，输入数据来源于无人机拍摄图像生成的MVS点云，容易受到噪点影响。研究如何有效直接利用图像信息进行结构提取，可以进一步减少噪点并提高生成的LOD模型的准确性。
