Since our input models are raw and

Since our input models are raw and unstructured 3D point clouds,
the very first step of our pipeline must identify some structured
evidence of the architectural shape of interest. A natural choice for
buildings primarily composed of planar elements is to use planar
patches, as done in many previous approaches [21,16,17]. The use of
3D patches, as opposed to, e.g., 2D line projections [20,18], is wellsuited for our occlusions-based pruning algorithm. We perform patch
growing on a per-scan basis, so that every patch contains points that
belong to a same laser range scan. This way, when looking for
potential occluders of a patch, we can restrict the search to the
patches extracted from that same scan.
We extract patches using a simple region growing process based
on normal deviation and plane offset. Like Chauve et al. [16] we
have found this scheme to work well; more robust and elaborate
methods [25] were not needed in our application. Since a correct
choice of the seed points is very important, we start the growing
from the points that have most planar and low-noise neighborhoods. The quality of a candidate seed is evaluated by fitting a plane
to its k nearest neighbors with the Least-Median-of-Squares (LMS)
algorithm [4] and by then computing the sum of the residuals.
For the next steps we need a simplified patch representation,
and we found that an oriented bounding box (OBB) gives us
reasonable trade-off between simplicity and shape approximation
quality. The OBB is aligned with the two main principal components of the xy-plane projection of the patch and gives a good fit
for structures like long and thin walls that are not aligned with the
main axes (see also Fig. 3).

ผลลัพธ์ (ไทย) 1:

ตั้งแต่รุ่นของเราป้อนข้อมูล ดิบ และไม่มีโครงสร้าง 3 มิติจุดเมฆขั้นตอนแรกของไปป์ไลน์ของเราต้องระบุบางโครงสร้างหลักฐานของรูปทรงสถาปัตยกรรมของดอกเบี้ย ทางเลือกธรรมชาติสำหรับอาคารหลักประกอบด้วยองค์ประกอบระนาบคือระนาบแพทช์ ทำหลายวิธีต่าง ๆ ก่อนหน้านี้ [21,16,17] การใช้งานซอฟต์แวร์ 3D เหมือน เช่น เส้น 2D ประมาณ [20,18], เป็น wellsuited สำหรับอัลกอริทึมตาม occlusions ตัดของเรา เราทำการปรับปรุงเติบโตบนพื้นฐานต่อแกน เพื่อที่ประกอบด้วยโปรแกรมแก้ไขทุกจุดที่เป็นการสแกนช่วงเลเซอร์เหมือนกัน วิธีนี้ การหาoccluders เป็นไปได้ของแพทช์ เราสามารถจำกัดการค้นหาแพทช์ที่สกัดจากแกนที่เดียวกันเราแยกใช้ภูมิภาคง่ายปลูกตามแพทช์ปกติเบี่ยงเบนและออฟเซตของเครื่องบิน เช่น Chauve et al. [16] เราได้พบโครงการนี้เพื่อทำงานได้ดี ซับซ้อน และแข็งแกร่งมากขึ้นวิธี [25] ไม่จำเป็นในโปรแกรมของเรา ตั้งแต่ถูกต้องเลือกจุดที่ต้องการเมล็ดพันธุ์เป็นสิ่งสำคัญมาก เราเริ่มต้นการเจริญเติบโตจากจุดที่มีย่านระนาบ และสัญญาณ รบกวนต่ำสุด คุณภาพของเมล็ดพันธุ์ผู้สมัครจะถูกประเมินโดยเครื่องบินเพื่อนบ้านกับ k ของมันที่ใกล้ที่สุดกับน้อยที่สุดมัธยฐานของสี่เหลี่ยม (LMS)อัลกอริทึม [4] และ โดยการคำนวณผลรวมของเหลือแล้วสำหรับขั้นตอนถัดไป ที่เราต้องการแสดงโปรแกรมประยุกต์และเราพบว่า การมุ่งเน้นขอบกล่อง (OBB) ให้เราปิดที่เหมาะสมระหว่างความเรียบง่ายและรูปร่างประมาณมีคุณภาพ OBB สอดคล้องกับส่วนประกอบหลักหลักที่สองของการฉายระนาบ xy ของแพทช์ และให้เหมาะสมสำหรับโครงสร้างเช่นผนังที่ยาว และบางที่ไม่สอดคล้องกับการแกนหลัก (ดูรูป 3)

ผลลัพธ์ (ไทย) 2:

ตั้งแต่รุ่นที่ป้อนข้อมูลของเราเป็นวัตถุดิบและไม่มีโครงสร้างเมฆจุด 3 มิติ
ขั้นตอนแรกของท่อของเราจะต้องระบุบางส่วนโครงสร้าง
หลักฐานของรูปทรงทางสถาปัตยกรรมที่น่าสนใจ เป็นทางเลือกธรรมชาติสำหรับ
อาคารประกอบด้วยหลักขององค์ประกอบระนาบคือการใช้ภาพถ่าย
แพทช์เป็นทำในวิธีการที่ก่อนหน้านี้หลาย [21,16,17] การใช้งานของ
แพทช์ 3 มิติเมื่อเทียบกับเช่นประมาณการเส้น 2D [20,18] เป็น wellsuited สำหรับขั้นตอนวิธีการตัดแต่งกิ่ง occlusions ของเรา เราดำเนินการแพทช์
ที่เจริญเติบโตบนพื้นฐานต่อการสแกนเพื่อที่ทุกแพทช์มีจุดที่
อยู่ในช่วงเดียวกันเลเซอร์สแกน วิธีนี้เมื่อมองหา
occluders ศักยภาพของแพทช์เราสามารถ จำกัด การค้นหาไปยัง
แพทช์สกัดจากสแกนเดียวกันว่า.
เราสกัดแพทช์โดยใช้กระบวนการการเจริญเติบโตของภูมิภาคง่ายขึ้นอยู่
ในส่วนเบี่ยงเบนปกติและเครื่องบินชดเชย เช่น Chauve et al, [16] เรา
ได้พบโครงการนี้จะทำงานได้ดี; มีประสิทธิภาพมากขึ้นและซับซ้อน
วิธีการ [25] ถูกไม่จำเป็นต้องใช้ในโปรแกรมของเรา ตั้งแต่ที่ถูกต้อง
ทางเลือกของจุดเมล็ดเป็นสิ่งสำคัญมากที่เราเริ่มต้นที่เติบโต
จากจุดที่มีมากที่สุดภาพถ่ายและเสียงรบกวนต่ำละแวกใกล้เคียง คุณภาพของเมล็ดพันธุ์ที่ผู้สมัครได้รับการประเมินโดยการปรับเครื่องบิน
กับ K เพื่อนบ้านที่ใกล้ที่สุดกับน้อยที่สุดเฉลี่ยของสแควร์ (LMS)
อัลกอริทึม [4] และแล้วการประมวลผลรวมของการตกค้างได้.
สำหรับขั้นตอนต่อไปเราต้องมี ตัวแทนแพทช์ที่เรียบง่าย
และเราพบว่ามุ่งเน้นกรอบ (OBB) ทำให้เรามี
การออกที่เหมาะสมระหว่างความเรียบง่ายและรูปร่างใกล้เคียงกับ
ที่มีคุณภาพ OBB สอดคล้องกับทั้งสององค์ประกอบหลักหลักของการฉาย XY-เครื่องบินของแพทช์และให้เป็นแบบที่ดี
สำหรับโครงสร้างเช่นผนังยาวและบางที่ไม่สอดคล้องกับ
แกนหลัก (ดูรูปที่. 3)

ผลลัพธ์ (ไทย) 3:

ตั้งแต่รูปแบบอินพุตของเราดิบและไม่มีโครงสร้าง 3D จุดเมฆขั้นตอนแรกเราต้องระบุโครงสร้างท่อบางหลักฐานของรูปทรงทางสถาปัตยกรรมที่น่าสนใจ ธรรมชาติทางเลือกสำหรับอาคารหลักประกอบด้วยองค์ประกอบคือการใช้ระนาบระนาบแพทช์ที่ทำในหลายวิธีก่อนหน้านี้ [ 21,16,17 ] ใช้ของ3D ซอฟต์แวร์เป็นนอกคอกเช่น 2D เส้น 20,18 ประมาณการ [ ] , wellsuited สำหรับ occlusions ขั้นตอนวิธีการของเรา ตาม เราทำการแพทช์การเติบโตบนพื้นฐานต่อสแกน ดังนั้นทุกแพทช์มีจุดที่อยู่ในช่วงเดียวกัน เลเซอร์สแกน วิธีนี้เมื่อมองหาการขาดแคลนอาหาร ศักยภาพของแพทช์ที่เราสามารถค้นหาเพื่อจำกัดแพทช์ที่สกัดจากเดิมที่สแกนเราแยกซอฟต์แวร์โดยใช้กระบวนการเติบโตง่ายตามภูมิภาคปกติและชดเชยในส่วนของเครื่องบิน ชอบ chauve et al . [ 16 ] เราพบว่าโครงการนี้ทำงานได้ดี มีประสิทธิภาพมากขึ้น และซับซ้อนวิธี [ 25 ] ไม่ได้ต้องการในโปรแกรมของเรา ตั้งแต่ที่ถูกต้องทางเลือกของเมล็ดจุด สำคัญมาก เราเริ่มเติบโตจากจุดที่ย่านพื้นผิวเรียบและเสียงมากที่สุด คุณภาพของเมล็ดจะถูกประเมินโดยการปรับของเครื่องบินของ K เพื่อนบ้านที่ใกล้ที่สุดกับน้อยที่สุดของสี่เหลี่ยม ( LMS ) มัธยฐานขั้นตอนวิธี [ 4 ] และโดยการคำนวณผลรวมของค่า .สำหรับขั้นตอนต่อไป เราต้อง ง่ายปะการแสดงและเราพบว่า การวางกล่องจำกัด ( obb ) ให้เราที่เหมาะสม การแลกเปลี่ยนระหว่างความเรียบง่ายและรูปร่างประมาณคุณภาพ ซึ่งจะสอดคล้องกับหลักสององค์ประกอบหลักของระนาบเครื่องบินประมาณการของแพทช์และให้พอดีสำหรับโครงสร้าง เช่น ผนังที่ยาวและบาง ที่ไม่สอดคล้องกับแกนหลัก ( ดูรูปที่ 3 )