Delaunay Canopy: Building Wireframe Reconstruction from Airborne LiDAR Point Clouds via Delaunay Graph¶

会议: ECCV 2026
论文: ECCV 原文
领域: 自动驾驶
关键词: 机载LiDAR / 建筑物线框重构 / Delaunay图 / 几何先验 / 曲率引导

一句话总结¶

Delaunay Canopy 将机载 LiDAR 点云剖分为 Delaunay 图，通过面法向量、边二面角与顶点角点得分显式量化屋顶局部曲率，以此构建自适应搜索空间引导角点与线段选择，克服了传统方法搜索空间过大以及 2D 高程图投影丢失 3D 上下文与内部角点的缺陷。

研究背景与动机¶

机载激光雷达（Airborne LiDAR）扫描获取的三维建筑物点云在自动驾驶高精地图、数字孪生、智慧城市与 XR 场景中扮演着关键基础角色。相比于存储与计算开销巨大的稠密三角网格或散乱点云，结构紧凑且拓扑明确的建筑物线框（Wireframe）是表达建筑物几何轮廓与拓扑连接的理想轻量化表征。然而，机载雷达航测获取的点云通常伴随着极高的稀疏性、不规则空间采样以及测量噪声；建筑物轮廓线与屋顶交接处的尖锐拐角对缺失数据和噪声极其敏感，使得直接从原始点云中鲁棒且精准地恢复线框拓扑连接变得非常困难。

早期以 Point2Roof、PC2WF 为代表的方法采用先预测角点再预测线段的两阶段流程，由于直接在无约束的三维连续空间中搜索，面对尺度巨大且密布海量无特征平面点的建筑点云，其候选搜索空间过于庞大，不仅计算代价高昂，而且极易引入大量伪角点与错连。近期以 CVPR 2025 的 BWFormer 为代表的工作试图通过将点云投影至 2D 鸟瞰高程图（Height Map）来约束搜索范围，但这种降维投影将连续三维几何强行量化为离散二维网格，直接造成了关键 3D 上下文信息的丢失；更严重的是，俯视投影严重掩盖了屋顶内部那些未处于建筑物外轮廓上的内角点（Internal Corners），使得复杂屋面结构的拓扑重构频频失效。

因此，三维建筑物线框重构的核心挑战在于如何建立一个既能有效抑制噪声和稀疏性干扰、又能完整保留真实 3D 空间几何与内部拓扑的自适应搜索空间。本文提出利用 Delaunay 三角剖分的几何先验来达成这一平衡：由于机载航测点云扫描屋顶时具备自顶向下无遮挡的开放曲面拓扑特性，Delaunay 图可以自然拟合屋面潜在流形。核心 idea：将点云构建为 Delaunay 图并逐层量化面法线、边二面角与顶点角点得分，提取刻画真实屋面起伏的曲率特征，进而自适应筛选高曲率角点候选并通过图上最短路径平均二面角动态加权线段查询，在纯三维空间中实现几何驱动的精准线框重构。

方法详解¶

整体框架¶

Delaunay Canopy 的输入为机载 LiDAR 航测点云 $C \in \mathbb{R}^{N \times 3}$，输出为由三维角点集合与拓扑连接线段构成的建筑物线框。整个流程分为两大核心阶段：一是基础的 Delaunay 图评分（Delaunay Graph Scoring），通过对开放流形点云执行 Delaunay 三角剖分，自底向上在面、边、顶点三个层级计算几何曲率指标；二是几何先验引导的 角点与线段选择管线（Corner and Wire Selection），利用角点得分筛选出高概率候选顶点并经由 Transformer 解码器提精预测最终角点，随后构建候选线段并在 Delaunay 图上沿最短路径累积二面角计算路径评分，通过先验查询缩放自适应约束线段分类。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入机载 LiDAR 点云 C"] --> B["Delaunay 三角剖分<br/>构建图 G = (V, E, F)"]
    B --> C["Delaunay 图评分<br/>面法线 → 边二面角 → 顶点得分"]
    C --> D["角点得分采样<br/>Top-K 高曲率点初筛"]
    D --> E["角点选择模块<br/>Transformer 解码器提精角点"]
    E --> F["构建所有角点候选线段 wij"]
    C -.->|图最短路径拓扑| G["线段路径评分与查询缩放<br/>平均二面角先验调制"]
    F --> G
    G --> H["线段选择模块<br/>Transformer 解码器输出最终线框"]

关键设计¶

1. Delaunay 图评分：从三维几何网格显式提取局部曲率特征 针对直接处理无序稀疏点云缺乏局部拓扑约束的问题，该设计利用机载航测点云具备单视高程无自遮挡曲面的特性，通过 Delaunay 三角剖分构建出图结构 $G = (V, E, F)$。系统依次在面、边、顶点三个尺度上建立曲率特征：首先，针对三角面片 $f = (v_a, v_b, v_c)$ 计算外法向量 $n_f = (v_b - v_a) \times (v_c - v_a)$，并统一调整法向量朝向使其 z 分量非负；其次，对于由两个相邻三角面 $f_1, f_2$ 共享的内部边 $e$，通过法向量点积计算其二面角（Dihedral Angle） $\theta_e = \arccos(n_1 \cdot n_2)$，而外轮廓边界边由于仅连接单个面，将其二面角直接置为 $\pi$；最后，在顶点层级，将与顶点 $v$ 相连的所有入射边集合 $E(v)$ 的二面角进行算术平均，得到该顶点的角点得分： $$S_c(v) = \frac{1}{|E(v)|} \sum_{e \in E(v)} \theta_e$$ 由于屋面平坦区域相邻三角面近似共面，二面角趋近于 0；而在屋脊线、屋檐折角与尖锐转角处，面法向量发生骤变，二面角与角点得分显著升高。这种纯几何评分计算轻量高效，在极端稀疏或微弱折角区域依然能稳定保留关键流形特征。

2. 角点得分采样与选择：自适应过滤冗余平坦点以收缩搜索空间 传统方法使用最远点采样（FPS）会导致大量采样点均匀散落在无特征的平坦屋顶内部，给后续角点分类器带来巨大的搜索负担与误检风险。本文利用顶点角点得分 $S_c(v)$ 对原始输入点云 $C \in \mathbb{R}^{N \times 3}$ 进行降序排序，直接截取得分最高的前 $K$ 个高曲率点组成精简候选集 $C' \in \mathbb{R}^{K \times 3}$（实验中设定 $K=150$）。该操作将搜索空间高度压缩在屋顶边界、屋脊交汇等高概率候选区域，极大排除了无意义的平坦点。随后，候选点集合被送入 6 层 Transformer 架构的角点选择模块 $\tilde{C} = \mathcal{F}_{\text{corner}}(C')$，在自注意力与交叉注意力交互中精细回归并分类出最终的三维角点集合 $\tilde{C} \in \mathbb{R}^{M \times 3}$。

3. 线段路径评分与先验查询缩放：基于最短图路径抑制低置信度拓扑连边 从 $M$ 个预测角点两两组合可生成 $O(M^2)$ 条候选线段，若在 Transformer 解码器中对所有线段查询一视同仁，模型容量会被大量穿过平坦空地或完全不符合建筑几何的伪边消耗。为此，该设计将候选线段 $(v_i, v_j)$ 映射回 Delaunay 图 $G$，利用图搜索算法寻找连接端点 $v_i$ 与 $v_j$ 的最短路径 $P^G_{i \rightarrow j}$。由于真实建筑线段必然沿着具有显著折角的屋脊或屋檐延展，该设计通过对路径边集合 $L(P^G_{i \rightarrow j})$ 上的二面角求平均，定义线段路径评分（Path Score）： $$S_P(v_i, v_j) = \frac{1}{|L(P^G_{i \rightarrow j})|} \sum_{e \in L(P^G_{i \rightarrow j})} \theta_e$$ 在 6 层线段选择 Transformer 解码器的前 3 层中，每个候选线段的初始查询向量 $Q_w^l$ 会乘以经过 Sigmoid 激活的缩放因子：$Q_w^{\prime l} = Q_w^l \odot \sigma(S_P^w)$。这种前置动态加权强力衰减了跨越平面的无效线段查询，放大了具有高几何共线性的潜在真边响应，使模型自注意力机制精准聚焦于符合结构几何的真线段。

损失函数 / 训练策略¶

模型采用两阶段协同训练策略，分别使用 AdamW 优化器（初始学习率 $10^{-4}$）训练 300 个 epoch。输入点云坐标统一缩放至 $[0, 256]$ 区间。角点选择模块与线段选择模块均采用 6 层 Transformer 解码器。角点选择阶段采用匈牙利匹配与 Chamfer/平滑 L1 坐标回归损失优化角点位置与存在性；线段选择阶段结合边特征自注意力与跨边采样最大池化特征（Edge Attention），并通过二分类交叉熵损失监督候选线段的连通有效性。

实验关键数据¶

主实验¶

在 Building3D 的 Tallinn City 数据集（32,618 对样本）与 Entry-Level 数据集（5,698 对样本）上进行线框重构评估，评价指标包括线框编辑距离（WED ↓）、平均角点偏移（ACO ↓）、角点 Precision/Recall/F1（CP, CR, CF1 ↑）以及线段 Precision/Recall/F1（EP, ER, EF1 ↑）。

Table 1: Building3D Tallinn City 数据集主对比实验（原论文 Table 1）

方法	WED ↓	ACO ↓	CP (%) ↑	CR (%) ↑	CF1 (%) ↑	EP (%) ↑	ER (%) ↑	EF1 (%) ↑
Building3D (PointNet)	0.264	0.241	88.2	77.6	82.6	80.4	71.9	75.9
PC2WF (CVPR 2021)	0.554	0.508	21.4	50.5	30.1	2.8	16.7	4.8
Point2Roof (ISPRS 2022)	0.260	0.236	89.3	78.5	83.6	81.2	72.2	76.4
PointTransformer* (ICCV 2021)	0.257	0.238	89.7	79.1	84.1	81.3	72.4	76.6
PointMLP* (2022)	0.255	0.233	90.6	79.0	84.4	81.6	72.8	76.9
PointNeXt* (2022)	0.256	0.229	90.4	79.4	84.5	82.0	73.9	78.0
PointMeta* (CVPR 2023)	0.251	0.225	90.6	79.8	84.9	82.4	73.3	77.6
BWFormer (CVPR 2025)	0.245	0.213	91.4	80.1	85.4	84.2	74.6	79.1
Delaunay Canopy (本文)	0.232	0.194	94.5	82.8	88.3	87.1	74.0	80.0

在 Entry-Level 数据集上，Delaunay Canopy 同样全面超越所有基线：WED 降至 0.230（BWFormer 为 0.242），ACO 降至 0.190（BWFormer 为 0.201），CF1 达到 90.2%（提升 +2.9%），EF1 达到 82.4%（提升 +1.3%）。

消融实验¶

在 Tallinn City 数据集上消融核心模块：角点得分采样（Score Sampling）与线段先验查询缩放（Query Scaling）。未采用角点得分采样时以最远点采样（FPS）提取 150 点替代；未采用查询缩放时退化为常规 Transformer。

Table 2: 核心模块消融实验（原论文 Table 2）

配置	角点得分采样	先验查询缩放	WED ↓	ACO ↓	CP (%) ↑	CR (%) ↑	CF1 (%) ↑	EP (%) ↑	ER (%) ↑	EF1 (%) ↑	说明
Baseline	-	-	0.257	0.234	88.9	78.2	83.2	81.1	72.1	76.3	传统 FPS + 标准 Transformer
+ Score Sampling	✓	-	0.239	0.210	93.1	81.1	86.7	85.6	73.7	79.2	曲率引导初筛，CF1 +3.5%
+ Query Scaling	-	✓	0.242	0.223	92.4	80.3	85.9	84.9	72.5	78.2	最短路径二面角加权查询
Full Model	✓	✓	0.232	0.194	94.5	82.8	88.3	87.1	74.0	80.0	完整模型，各项指标最优

关键发现¶

采样点数 $K$ 的权衡敏感性（原论文 Table 3）：当 $K=150$ 时性能达到最优点（WED 0.232 / CF1 88.3% / EF1 80.0%）。若 $K$ 降至 100，搜索空间过度受限导致漏检真实角点（CF1 降至 84.5%）；而当 $K$ 扩增至 200 时，引入过多平坦冗余点导致搜索空间虚胖（CF1 降至 84.5%，WED 恶化至 0.260）。
查询缩放层数的退化边界（原论文 Table 4）：在 Transformer 解码器前 3 层实施查询缩放效果最优。当将先验缩放施加至全部 6 层时，EF1 明显下滑至 78.3%，表明几何硬先验适合在前置层用于粗筛候选，深层网络必须保留语义自注意力自主建模高阶上下文的能力。
几何先验显著优于网络堆叠（原论文 Table 5）：对比替换线段模块的实验表明，单纯将 Point2Roof 的线段预测头换为 Transformer 架构仅使 CF1 从 86.0% 升至 86.7%（EF1 从 78.8% 升至 79.2%）；而引入 Delaunay 几何先验与查询缩放后，CF1 跃升至 88.3%，EF1 升至 80.0%，充分验证了性能突破的核心驱动力在于显式几何先验设计。

亮点与洞察¶

离散流形物理量化的优雅转化：巧妙利用机载雷达点云单重视角无自遮挡曲面的几何性质，将经典的 Delaunay 三角剖分作为拓扑脚手架，以面法向量、边二面角及顶点平均角这一连贯物理量，免训练且极低开销地提取出点云局部的连续曲率分布。
自适应搜索空间规避维数灾难与信息截断：传统三维搜索因完全无序而空间失控，二维高程图投影因降维直接截断内部角点；Delaunay Canopy 以曲率评分为导向收缩候选集，兼顾了连续三维几何保真度与候选搜索的高紧凑性。
图上最短路径先验赋能端到端解码：将图论中最短路径的二面角线积分作为拓扑先验动态调制 Transformer 解码器 query 权重，形成几何先验与可微学习机制的高效协同，为复杂 3D 拓扑结构推理提供了通用范式。

局限与展望¶

依赖机载航测单向无遮挡的开放流形假设：算法强假设点云为自顶向下投影无内部重叠的开放曲面（Open Topology）。当推广到带有立面、重叠多层屋檐或悬臂结构的复杂城市建筑及室内多视扫描时，2.5D Delaunay 三角剖分会发生面片交错与法向量混乱。
极端几何缺失与空洞区域的拓扑失真：当建筑表面存在大面积 LiDAR 反射丢失或严重阴影遮挡时，Delaunay 最短路径可能穿越缺失空洞区域产生伪边，导致计算出的路径评分偏移真实几何。
未来改进方向：可考虑将开放曲面三角剖分拓展至基于四面体的完整三维 Delaunay 剖分（3D Delaunay Tetrahedralization），或结合可微隐式表面先验（如 3D Gaussian / Neural SDF）以支持全要素立体建筑重构。

评分¶

新颖性: ⭐⭐⭐⭐☆ [以 Delaunay 图二面角与最短路径先验度量局部曲率，优雅突破了传统 3D 暴力搜索与 2D 投影压缩的固有局限]
实验充分度: ⭐⭐⭐⭐⭐ [在 Building3D 两大数据集上进行充分评测，包含多基线对比、参数与层数消融、模型替换实验及复杂真实场景定性分析]
写作质量: ⭐⭐⭐⭐⭐ [问题痛点剖析深入透彻，图示说明极富说服力，方法推导与实验论证严谨自洽]
价值: ⭐⭐⭐⭐☆ [为大范围机载航测三维城市建模、轻量化高精地图构建与数字孪生提供了强有力的拓扑重构方案]