ARCH2S: Dataset, Benchmark and Challenges for Learning Exterior Architectural Structures from Point Clouds

精准分割建筑结构提供了有关各种建筑组件的详细信息，增强了我们对所建环境的理解和交互。然而，由于隐私问题和数据获取和注释的高昂成本，现有的室外三维点云数据集在建筑外观方面的注释有限且不够详细。为了弥补这一不足，本文介绍了一个语义丰富、照片般逼真的三维建筑模型数据集和语义分割基准。它包括香港实际建筑的4种不同建筑用途以及一个开放的建筑景观。每个点云都被注释为14个语义类别之一。

该论文旨在解决现有室外三维点云数据集在建筑外观上的注释有限的问题，提出了一种含语义的、逼真的三维建筑模型数据集和语义分割基准。

论文的关键思路是创建一个包含14个语义类别的建筑物点云数据集，并使用该数据集进行语义分割基准测试，以提高我们对建筑物组件的理解和交互。

该数据集包括真实世界建筑物的4种不同用途以及香港的开放式建筑景观，每个点云都被注释为14个语义类别之一。实验设计了一个语义分割基准测试，并提供了开源代码和数据集。

在这个领域中，最近还有一些相关研究，如“Large-scale point cloud semantic segmentation with superpoint graphs”和“PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation”。