Centre dedocumentation
scientifique

3D building reconstruction from single street view images using deep learning / Hui En Pang in International journal of applied Earth observation and geoinformation, vol 112 (August 2022)  

Public [article]  inInternational journal of applied Earth observation and geoinformation > vol 112 (August 2022) . - n° 102859 Titre : 3D building reconstruction from single street view images using deep learning Type de document : Article/Communication Auteurs : Hui En Pang, Auteur ; Filip Biljecki, Auteur Année de publication : 2022 Article en page(s) : n° 102859 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] empreinte [Termes IGN] Helsinki [Termes IGN] image Streetview [Termes IGN] maillage [Termes IGN] morphologie urbaine [Termes IGN] précision géométrique (imagerie) [Termes IGN] reconstruction 3D du bâti [Termes IGN] segmentation d'image Résumé : (auteur) 3D building models are an established instance of geospatial information in the built environment, but their acquisition remains complex and topical. Approaches to reconstruct 3D building models often require existing building information (e.g. their footprints) and data such as point clouds, which are scarce and laborious to acquire, limiting their expansion. In parallel, street view imagery (SVI) has been gaining currency, driven by the rapid expansion in coverage and advances in computer vision (CV), but it has not been used much for generating 3D city models. Traditional approaches that can use SVI for reconstruction require multiple images, while in practice, often only few street-level images provide an unobstructed view of a building. We develop the reconstruction of 3D building models from a single street view image using image-to-mesh reconstruction techniques modified from the CV domain. We regard three scenarios: (1) standalone single-view reconstruction; (2) reconstruction aided by a top view delineating the footprint; and (3) refinement of existing 3D models, i.e. we examine the use of SVI to enhance the level of detail of block (LoD1) models, which are common. The results suggest that trained models supporting (2) and (3) are able to reconstruct the overall geometry of a building, while the first scenario may derive the approximate mass of the building, useful to infer the urban form of cities. We evaluate the results by demonstrating their usefulness for volume estimation, with mean errors of less than 10% for the last two scenarios. As SVI is now available in most countries worldwide, including many regions that do not have existing footprint and/or 3D building data, our method can derive rapidly and cost-effectively the 3D urban form from SVI without requiring any existing building information. Obtaining 3D building models in regions that hitherto did not have any, may enable a number of 3D geospatial analyses locally for the first time. Numéro de notice : A2022-544 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.jag.2022.102859 Date de publication en ligne : 17/06/2022 En ligne : https://doi.org/10.1016/j.jag.2022.102859 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101160 [article]

Évaluation de la qualité de modèles 3D issus de nuages de points / Tania Landes in XYZ, n° 171 (juin 2022)

Public [article]  inXYZ > n° 171 (juin 2022) . - pp 14 - 24 Titre : Évaluation de la qualité de modèles 3D issus de nuages de points Type de document : Article/Communication Auteurs : Tania Landes, Auteur Année de publication : 2022 Article en page(s) : pp 14 - 24 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] maquette numérique [Termes IGN] modélisation 3D du bâti BIM [Termes IGN] précision géométrique (imagerie) [Termes IGN] qualité du modèle [Termes IGN] reconstruction 3D du bâti [Termes IGN] segmentation d'image [Termes IGN] semis de points Résumé : (Auteur) La modélisation 3D répond à la fois à un enjeu économique, mais aussi environnemental, que ce soit à l’échelle du bâtiment ou de la ville. Ces dix dernières années, les techniques d’acquisition ont considérablement évolué du point de vue de leur rapidité, du volume de données à gérer, de l’hétérogénéité des informations acquises par les systèmes multicapteurs, de même que des méthodes de traitement des données. De nouveaux processus sont nés de ces bouleversements, comme le processus “scan-to-BIM”, caractérisant les étapes menant du nuage de points à une maquette numérique intelligente. En adoptant la maquette numérique, intégrée dans un processus collaboratif BIM (Building Information Modeling), les acteurs du bâtiment sont en mesure d’effectuer des simulations et de réduire, en plus des coûts, l’impact environnemental lié aux interventions sur le bâtiment, tout au long de son cycle de vie. En pratique, pour aboutir à une maquette numérique intelligente du bâtiment à partir d’un relevé de l’existant, de nombreux verrous technologiques sont à lever. Dans ce contexte, j’ai eu l’occasion d’encadrer divers travaux de recherches portant sur les thématiques allant de l’acquisition de données 3D (généralement sous forme de nuages de points 3D) à leur traitement, jusqu’à la production de la maquette numérique comme résumé dans le numéro 167 de la revue XYZ [Landes, 2021]. Dans la continuité de ce résumé, et comme l’annonçait la conclusion de ce dernier, cette suite se concentre sur la question de la qualité des livrables 3D détaillés dans [Landes, 2020]. Numéro de notice : A2022-521 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtSansCL DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101066 [article]

Réservation

Réserver ce document

Exemplaires (2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
112-2022022	SL	Revue	Centre de documentation	Revues en salle	En circulation Exclu du prêt
112-2022021	SL	Revue	Centre de documentation	Revues en salle	Disponible

City3D: Large-scale building reconstruction from airborne LiDAR point clouds / Jin Huang in Remote sensing, vol 14 n° 9 (May-1 2022)  

Public [article]  inRemote sensing > vol 14 n° 9 (May-1 2022) . - n° 2254 Titre : City3D: Large-scale building reconstruction from airborne LiDAR point clouds Type de document : Article/Communication Auteurs : Jin Huang, Auteur ; Jantien E. Stoter, Auteur ; Ravi Peters, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 2254 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] empreinte [Termes IGN] mur [Termes IGN] polygonale [Termes IGN] primitive géométrique [Termes IGN] reconstruction 3D du bâti [Termes IGN] semis de points [Termes IGN] toit [Termes IGN] Triangular Regular Network [Termes IGN] triangulation de Delaunay Résumé : (auteur) We present a fully automatic approach for reconstructing compact 3D building models from large-scale airborne point clouds. A major challenge of urban reconstruction from airborne LiDAR point clouds lies in that the vertical walls are typically missing. Based on the observation that urban buildings typically consist of planar roofs connected with vertical walls to the ground, we propose an approach to infer the vertical walls directly from the data. With the planar segments of both roofs and walls, we hypothesize the faces of the building surface, and the final model is obtained by using an extended hypothesis-and-selection-based polygonal surface reconstruction framework. Specifically, we introduce a new energy term to encourage roof preferences and two additional hard constraints into the optimization step to ensure correct topology and enhance detail recovery. Experiments on various large-scale airborne LiDAR point clouds have demonstrated that the method is superior to the state-of-the-art methods in terms of reconstruction accuracy and robustness. In addition, we have generated a new dataset with our method consisting of the point clouds and 3D models of 20k real-world buildings. We believe this dataset can stimulate research in urban reconstruction from airborne LiDAR point clouds and the use of 3D city models in urban applications. Numéro de notice : A2022-387 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Article DOI : 10.3390/rs14092254 Date de publication en ligne : 07/05/2022 En ligne : https://doi.org/10.3390/rs14092254 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100667 [article]

GeoRec: Geometry-enhanced semantic 3D reconstruction of RGB-D indoor scenes / Linxi Huan in ISPRS Journal of photogrammetry and remote sensing, vol 186 (April 2022)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 186 (April 2022) . - pp 301 - 314 Titre : GeoRec: Geometry-enhanced semantic 3D reconstruction of RGB-D indoor scenes Type de document : Article/Communication Auteurs : Linxi Huan, Auteur ; Xianwei Zheng, Auteur ; Jianya Gong, Auteur Année de publication : 2022 Article en page(s) : pp 301 - 314 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] données localisées 3D [Termes IGN] géométrie [Termes IGN] image RVB [Termes IGN] maillage [Termes IGN] modélisation sémantique [Termes IGN] objet 3D [Termes IGN] reconstruction 3D [Termes IGN] reconstruction d'objet [Termes IGN] scène intérieure Résumé : (auteur) Semantic indoor 3D modeling with multi-task deep neural networks is an efficient and low-cost way for reconstructing an indoor scene with geometrically complete room structure and semantic 3D individuals. Challenged by the complexity and clutter of indoor scenarios, the semantic reconstruction quality of current methods is still limited by the insufficient exploration and learning of 3D geometry information. To this end, this paper proposes an end-to-end multi-task neural network for geometry-enhanced semantic 3D reconstruction of RGB-D indoor scenes (termed as GeoRec). In the proposed GeoRec, we build a geometry extractor that can effectively learn geometry-enhanced feature representation from depth data, to improve the estimation accuracy of layout, camera pose and 3D object bounding boxes. We also introduce a novel object mesh generator that strengthens the reconstruction robustness of GeoRec to indoor occlusion with geometry-enhanced implicit shape embedding. With the parsed scene semantics and geometries, the proposed GeoRec reconstructs an indoor scene by placing reconstructed object mesh models with 3D object detection results in the estimated layout cuboid. Extensive experiments conducted on two benchmark datasets show that the proposed GeoRec yields outstanding performance with mean chamfer distance error for object reconstruction on the challenging Pix3D dataset, 70.45% mAP for 3D object detection and 77.1% 3D mIoU for layout estimation on the commonly-used SUN RGB-D dataset. Especially, the mesh reconstruction sub-network of GeoRec trained on Pix3D can be directly transferred to SUN RGB-D without any fine-tuning, manifesting a high generalization ability. Numéro de notice : A2022-235 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.isprsjprs.2022.02.014 Date de publication en ligne : 03/03/2022 En ligne : https://doi.org/10.1016/j.isprsjprs.2022.02.014 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100139 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2022041	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2022043	DEP-RECP	Revue	LaSTIG	Dépôt en unité	Exclu du prêt
081-2022042	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Automated 3D reconstruction of LoD2 and LoD1 models for All 10 million buildings of the Netherlands / Ravi Peters in Photogrammetric Engineering & Remote Sensing, PERS, vol 88 n° 3 (March 2022)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 88 n° 3 (March 2022) . - pp 165 - 170 Titre : Automated 3D reconstruction of LoD2 and LoD1 models for All 10 million buildings of the Netherlands Type de document : Article/Communication Auteurs : Ravi Peters, Auteur ; Balazs Dukai, Auteur ; Stelios Vitalis, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 165 - 170 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] données lidar [Termes IGN] empreinte [Termes IGN] itération [Termes IGN] modèle 3D de l'espace urbain [Termes IGN] niveau de détail [Termes IGN] Pays-Bas [Termes IGN] qualité des données [Termes IGN] reconstruction 3D du bâti [Termes IGN] toit [Termes IGN] Web Map Tile Service Résumé : (auteur) In this paper, we present our workflow to automatically reconstruct three-dimensional (3D) building models based on two-dimensional building polygons and a lidar point cloud. The workflow generates models at different levels of detail (LoDs) to support data requirements of different applications from one consistent source. Specific attention has been paid to make the workflow robust to quickly run a new iteration in case of improvements in an algorithm or in case new input data become available. The quality of the reconstructed data highly depends on the quality of the input data and is monitored in several steps of the process. A 3D viewer has been developed to view and download the openly available 3D data at different LoDs in different formats. The workflow has been applied to all 10 million buildings of the Netherlands. The 3D service will be updated after new input data becomes available. Numéro de notice : A2022-200 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.21-00032R2 Date de publication en ligne : 01/03/2022 En ligne : https://doi.org/10.14358/PERS.21-00032R2 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100002 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
105-2022031	SL	Revue	Centre de documentation	Revues en salle	Disponible

A cost-effective method for reconstructing city-building 3D models from sparse Lidar point clouds / Marek Kulawiak in Remote sensing, vol 14 n° 5 (March-1 2022)  

Permalink

Évaluation des apports de l’apprentissage profond au sein d’un service dédié à la numérisation du patrimoine / Maxime Mérizette in XYZ, n° 170 (mars 2022)

Permalink

Exploiting light directionality for image-based 3D reconstruction of non-collaborative surfaces / Ali Karami in Photogrammetric record, vol 37 n° 177 (March 2022)  

Permalink

Deep surface reconstruction from point clouds with visibility information / Raphaël Sulzer (2022)  

Permalink

Detecting openings for indoor/outdoor registration / Rahima Djahel (2022)  

Permalink

Learning to represent and reconstruct 3D deformable objects / Jan Bednarik (2022)  

Permalink

Multi-layer modeling of dense vegetation from aerial LiDAR scans / Ekaterina Kalinicheva (2022)  

Permalink

Efficient occluded road extraction from high-resolution remote sensing imagery / Dejun Feng in Remote sensing, vol 13 n° 24 (December-2 2021)  

Permalink

Automatic extraction of indoor spatial information from floor plan image: A patch-based deep learning methodology application on large-scale complex buildings / Hyunjung Kim in ISPRS International journal of geo-information, vol 10 n° 12 (December 2021)  

Permalink

VGI3D: an interactive and low-cost solution for 3D building modelling from street-level VGI images / Chaoquan Zhang in Journal of Geovisualization and Spatial Analysis, vol 5 n° 2 (December 2021)  

Permalink