摘要
基于建筑信息模型（BIM）的数字化重建是一种用于记录与分析既有建筑的宝贵方法。其技术流程始于几何信息的获取，例如通过摄影测量或激光扫描技术实现高精度点云数据的采集。然而，所获取的数据通常存在噪声且结构混乱，要构建具有语义意义的BIM表达，需付出巨大的计算成本，并依赖大量昂贵且耗时的人工标注。本文提出了一种完全自动化的“扫描到BIM”（scan-to-BIM）流程。该方法依托于以下三个关键要素：（i）我们构建的全新数据集HePIC，该数据集来源于两座大型建筑，基于现有的BIM模型在点级别进行了语义标注；（ii）一种专为该任务设计的新型深度神经网络BIM-Net++，用于执行语义分割，其输出结果进一步处理以提取实例信息，从而实现BIM对象的重建；（iii）创新的模型预训练策略与类别重加权机制，有效降低了对大规模标注数据的需求，并显著减少了人工干预。