LiDAR点群と画像ベース建物フットプリントを統合したマルチレベル3D建物再構築フレームワーク

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:3D建物再構築の効率的な手法として、都市の気候変動適応研究に応用可能。

🏢実務担当者:都市計画やインフラ管理の実務で、持続可能な開発のための3Dモデル生成に活用できる。

🏛政策担当者:都市の気候レジリエンス向上のための基盤データ整備に寄与する可能性がある。

三次元（3D）建物再構築は、都市計画、災害レジリエンス、持続可能なインフラ開発において重要な役割を果たす。航空機搭載型Light Detection and Ranging（LiDAR）データに基づく従来のアプローチは、計算負荷が高く、特に大規模適用において大規模なラベル付きデータセットを必要とすることが多い。本研究は、航空機搭載LiDAR点群データと、Mask Region-Based Convolutional Neural Network（Mask R-CNN）を用いてNational Agriculture Imagery Program（NAIP）画像から抽出した建物フットプリントを統合することにより、多層3D建物モデルを再構築する半自動ワークフローを提示する。抽出されたフットプリントは、3D再構築のために建物固有のLiDARサブセットを空間的に分離するために使用された。提案手法は、二次元（2D）フットプリントから詳細な屋根構造を備えた体積表現に至るまで、複数のLevel of Detail（LOD）で建物モデルを生成した。建物フットプリント抽出は、参照データセットとして機能し、樹冠に遮蔽された建物を検出したDensity-Based Spatial Clustering of Applications with Noise（DBSCAN）を用いて生成されたLiDAR由来フットプリントに対して定量的に評価された。再構築ワークフローはOpen3Dで実装され、LOD2モデルにおける屋根面の連続性を改善するために、ear-clipping三角分割に基づく境界認識メッシュ精緻化戦略を組み込んだ。提案されたフットプリント抽出フレームワークは、LiDAR由来の参照建物フットプリントに対して平均Intersection over Union（IoU）0.8226を達成し、提案された多レベル3D建物再構築ワークフローを支援する信頼性の高い建物輪郭抽出を示した。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Three-dimensional (3D) building reconstruction plays an important role in urban planning, disaster resilience, and sustainable infrastructure development. Conventional approaches based on airborne Light Detection and Ranging (LiDAR) data can be computationally intensive and often require large labeled datasets, particularly for large-scale applications. This study presents a semi-automated workflow for reconstructing multi-level 3D building models by integrating airborne LiDAR point cloud data with building footprints extracted from National Agriculture Imagery Program (NAIP) imagery using a Mask Region-Based Convolutional Neural Network (Mask R-CNN). The extracted footprints were used to spatially isolate building-specific LiDAR subsets for 3D reconstruction. The proposed methodology generated building models at multiple Levels of Detail (LOD), ranging from two-dimensional (2D) footprints to volumetric representations with detailed roof structures. Building footprint extraction was quantitatively evaluated against LiDAR-derived footprints generated using Density-Based Spatial Clustering of Applications with Noise (DBSCAN), which served as the reference dataset and detected buildings obscured by tree canopy. The reconstruction workflow was implemented in Open3D and incorporated a boundary-aware mesh refinement strategy based on ear-clipping triangulation to improve rooftop continuity in LOD2 models. The proposed footprint extraction framework achieved a mean Intersection over Union (IoU) of 0.8226 relative to LiDAR-derived reference building footprints, indicating reliable building delineation that supports the proposed multi-level 3D building reconstruction workflow.

• semanticscholar https://doi.org/10.3390/urbansci10080442first seen 2026-08-09 05:52:37 · last seen 2026-09-29 05:34:08