在建筑模型重建领域，多细节层次 (LOD) 生成对于城市规划、自动驾驶、虚拟现实和数字娱乐等一系列应用至关重要，高精度、低面片数目的建筑细节层次模型是实现高效空间计算的关键。LOD表示的质量好坏取决于三个层面：一是复杂度和简洁性的平衡，即能否用更少的基元来更精确的还原原始模型；二是合理的低层级向高层级的结构渐进，即合理的定义不同的层级；三是能否保证层级内的一致性，即每一个层级内不同的模型所展现出的语义信息是否统一。
之前的LOD生成算法分为两类，他们都无法同时处理以上问题：第一类方法是基于预定义LOD层级表示的算法，其预先定义好建筑上的不同结构所属的层级，这使得理论上可以实现层级内一致性，但预定义规则无法涵盖复杂多样的建筑模型，因此实际表现欠佳。第二类LOD生成方法仅优化单个模型的复杂度和简洁性，难以保证不同建筑在同一层级的结构一致性，以及层级间的合理过渡。本次导读论文设计了基于结构块的跨建筑协同分析方法，进而实现了合理的层级定义以及具有层级内语义一致性的建筑群LOD表示。
本工作主要贡献如下：
首次实现了利用协同分析进行LOD生成，进而实现了自适应的LOD层级定义以及层级内的语义一致性；
提出了一个建筑模型结构分解模块，可以将无组织的建筑点云划分为有意义的结构块；
提出了一个能量方程用于自适应的定义LOD层级。
如下图和表所示，该方法由于结构完整性的保持实现了视觉上更好的LOD；同时，其通过利用结构信息引导LOD生成，避免了渐进式模型简化方法容易陷入的局部最优，进而在衡量LOD质量的定量指标上实现了更优的结果：用更少的面片可以更精确的表示输入模型。
表1 CoLOD与其他方法的定量指标对比
(V: 顶点数；F: 面片数；P: 多边形数；
图2 CoLOD算法流程图
图3 CoLOD结构分割模块流程图
图4 CoLOD表面提取模块流程图
CoLOD的分阶段结果图
-- End --
[1] Groger Gerhard, Plumer Lutz. CityGML - Interoperable semantic 3D city models. ISPRS Journal of Photogrammetry and Remote Sensing (P&RS). 71, 12-33, 2012.
[2] Liangliang Nan, Peter Wonka. PolyFit: Polygonal surface reconstruction from point clouds. International Conference on Computer Vision (ICCV). 106-122, 2017.
[3] Yannick Verdie, Florent Lafarge, Pierre Alliez. LOD generation for urban scenes. ACM Transactions on Graphics (TOG). 34(3), 146:1-146:12, 2015.
[4] Zhen Chen, Zherong Pan, Kui Wu, Etienne Vouga, Xifeng Gao. Robust low-poly meshing for general 3D models. ACM Transactions on Graphics (SIGGRAPH). 42(4), 119:1-119:20, 2019.
[5] Guoqing Yang, Fuyou Xue, Qi Zhang, Ke Xie, Chi-Wing Fu, Hui Huang. UrbanBIS: a large-scale benchmark for fine-grained urban building instance segmentation. ACM Transactions on Graphics (SIGGRAPH). 29(4), 16:1-16:11, 2023.
[6] Jean-Philippe Bauchet, Florent Lafarge. Kinetic shape reconstruction. ACM Transactions on Graphics (TOG). 39(5), 156:1-156:14, 2020.
[7] Robert Osada, Thomas Funkhouser, Bernard Chazelle, David Dobkin. Shape distributions. ACM Transactions on Graphics (SIGGRAPH). 21(4), 807-832, 2002.
