Un nuevo método para reconstruir modelos de edificios utilizando aprendizaje automático

La reconstrucción de modelos en 3D se aplica a un número creciente de campos relacionados con la construcción, como la planificación urbana, la planificación de comunicaciones móviles, la evaluación de energía solar, entre otros. Los modelos de reconstrucción 3D anteriores se centraron principalmente en mediciones precisas, como el escaneo láser, la mapeo ultrasónico, etc. Aunque estos métodos pueden lograr resultados muy precisos, requieren equipos específicos que suelen ser costosos. La esencia de esta tecnología es inferir la vista general del edificio a partir de imágenes tomadas desde perspectivas, obteniendo así imágenes desde perspectivas no familiares. Este artículo toma el método de representación como punto de partida y aprende características arquitectónicas entrenando una red neuronal para proporcionar la información necesaria para la representación. A diferencia del método de representación rasterizada basado en proyección, más popular, este artículo utiliza un método de representación de volumen basado en puntos y usa muestreo de luz para detectar características arquitectónicas. Este método de representación requiere el color y la densidad de puntos de muestreo específicos. Por lo tanto, este artículo intenta entrenar una red neuronal para ajustar una función de cinco dimensiones. La entrada a esta función es un vector de cinco dimensiones que incluye posición (x, y, z) y dirección de vista (θ, φ), y la salida es el color y la densidad de este punto cuando se ve desde esta dirección. Este artículo adopta el método de codificación posicional, que reduce la escala de la red y mejora tanto la velocidad de entrenamiento como la velocidad de representación. Nuestro método puede entrenar una red utilizable en decenas de segundos y representar un edificio a 30-60 cuadros por segundo.