CN119416333A 基于点云三维重建的建筑设计与分析方法 （安徽建筑大学）

本发明公开了基于点云三维重建的建筑设明通过获取房屋外部点云数据，结合房屋CAD设计图纸（CAD图像利用采集的数据集进行训练2步骤S1：采集房屋建筑物外立面点云数据，对采集的步骤S3：将需要推测室内场景的干净的房屋建筑物外立面点云和对应的CAD图像输入步骤S4：根据多视角的室内场景图像恢复出房屋建筑物步骤S5：基于包含房屋建筑物的室内外完整3D结构的点步骤S14：对房屋建筑物外立面点云数据使用ICP算法进骤S2中，所述改进的FusionVit多模态深度学习网络包括CameraViT网络、LidarViT网络、步骤S21：利用CameraViT网络将带有RGB信息的CAD图步骤S22：利用LidarViT网络将干净的房屋建筑物外立面点云分割成多个立方体并剔步骤S23：利用MixViT网络将CameraViT网络和LidarViT步骤S24：将MixViT网络输出的融合后的特征表示输入到3D3S213：在多个一维向量组成的矩阵中嵌入一个可学习的参数Ec，引入一个可学习的S214：将第一序列特征矩阵输入到图像Transformer编码器中进行编码，得到图像特S222：对保留下来的非空立方体进行固定采样数量S224：上述步骤S223中各非空立方体的坐标数据经过4S31：先使用CloudCompare软件对原始的干净的房屋建筑物外立面点云和房屋建筑物步骤S4中，房屋建筑物建模的具体过程为将包含室内外完整3D结构的点云导入建模软件5[0008]步骤S3：将需要推测室内场景的干净的房屋建筑物外立面点云和对应的CAD图像6[0021]更进一步地，在步骤S2中，所述改进的FusionVit多模态深度学习网络包括[0023]步骤S22：利用LidarViT网络将干净的房屋建筑物外立面点云分割成多个立方体[0027]S211：将房屋建筑物的带有RGB信息的CAD图像输入CameraViT网络并定义图像尺7云数据点在三轴位置上相对于质心的偏移量，并将其加入到非空立方体中点云数据集合[0041]S31：先使用CloudCompare软件对原始的干净的房屋建筑物外立面点云和房屋建8[0059]针对高度不超过30m的房屋建筑物，使用架站式三维激光扫描仪采集房屋建筑物[0061]使用改进的FusionVit多模态深度学习网络作为室内场景推测网络，输入干净的房屋建筑物外立面点云和CAD图像，对室内场景推测网络进行训练，得到室内场景推测模9[0063]将需要推测室内场景的干净的房屋建筑物外立面点云和对应的CAD图像输入到室维特征向量；然后将一维特征向量通过Transformer编码器进行编码，得到二维的图像特个patch的边长为vcH和vcW，这样图像I被分割成Nc个patchesxeR"oi"，其中，[0080]（3）先在这N.个一维特征向量组成的矩阵中嵌入一个可学习的参数，在EW包含每个patch的在原图像网格中的行和列索引，以及小块在图像全局坐标系中的位里的l表示块的索引，从1开始直到Le；z.表示在第l个Transforme最终的输出z,。[0091]步骤S22：LidarViT网络将干净的房屋建筑物外立面点云分割成多个小立方体相对位置的位置嵌入。经过上述处理的一维向量拼接为矩阵作为输入馈送到点云N,x(y""")，这里"、"、和v'分别是非空立方体在高度、宽度和P分别表示原始点云数据在高度、宽度和深度方向上的尺个f与结合形成逐点连接的特征。由此输出编码特征。对抗生成网络的目标是生成房屋建筑物的室内场景图像。3D_GANs对抗生成网络包含一个[0112]（3）将房屋建筑物外立面点云和CAD图像一并输入至改进的FusionVit网络中，MixVit网络将CameraVit网络和LidarVit网络提取的图像和点云特征融合，输出融合后的[0113]（4）将实