FloorSAM：带有语义几何融合的SAM引导的平面图重建

于红博

摘要: 从点云数据重建建筑楼层平面图对于室内导航、BIM和精确测量至关重要。传统方法如几何算法和基于Mask R-CNN的深度学习经常面临噪声、泛化能力有限和几何细节丢失等问题。我们提出了FloorSAM，这是一个将点云密度图与Segment Anything Model（SAM）相结合的框架，用于从LiDAR数据中准确重建楼层平面图。通过基于网格的过滤、自适应分辨率投影和图像增强，我们创建了稳健的自上而下的密度图。FloorSAM利用SAM的零样本学习进行精确的房间分割，提高了对不同布局的重建能力。房间掩膜通过自适应提示点和多阶段过滤生成，随后进行联合掩膜和点云分析以进行轮廓提取和规范化。这产生了准确的楼层平面图并恢复了房间的拓扑关系。对Giblayout和ISPRS数据集的测试表明，在嘈杂和复杂环境中，与传统方法相比，FloorSAM具有更好的准确性、召回率和鲁棒性。代码和材料：github.com/Silentbarber/FloorSAM。

更新时间: 2025-09-19 08:27:10

领域: cs.CV,cs.AI

下载: http://arxiv.org/abs/2509.15750v1