Die digitale Rekonstruktion durch Building Information Models (BIM) stellt eine wertvolle Methodik zur Dokumentation und Analyse bestehender Gebäude dar. Ihr Prozess beginnt mit der geometrischen Erfassung (z. B. mittels Photogrammetrie oder Laserscanning) zur präzisen Erhebung von Punktwolken. Die gewonnenen Daten sind jedoch geräuschebehaftet und unstrukturiert, und die Erstellung einer semantisch sinnvollen BIM-Darstellung erfordert einen erheblichen rechnerischen Aufwand sowie kostspielige und zeitaufwendige menschliche Annotationen. In diesem Artikel stellen wir einen vollständig automatisierten Scan-to-BIM-Pipeline vor. Der Ansatz basiert auf: (i) unserem Datensatz (HePIC), der aus zwei großen Gebäuden gewonnen wurde und auf punktgenauer semantischer Ebene anhand existierender BIM-Modelle annotiert ist; (ii) einem neuartigen, speziell für diesen Zweck entwickelten tiefen neuronalen Netzwerk (BIM-Net++), das zur semantischen Segmentierung eingesetzt wird und dessen Ausgabe anschließend verarbeitet wird, um instanzbasierte Informationen zu extrahieren, die zur Rekonstruktion von BIM-Objekten notwendig sind; (iii) neuartigen Ansätzen zur Modellvortraining und Klassen-Neugewichtung, die die Notwendigkeit einer großen Menge an gelabelten Daten sowie menschlicher Intervention eliminieren.