La reconstruction numérique à l’aide des modèles d’information sur les bâtiments (BIM) constitue une méthodologie précieuse pour la documentation et l’analyse des bâtiments existants. Son processus commence par l’acquisition géométrique (par exemple, par photogrammétrie ou balayage laser) afin de recueillir des nuages de points précis. Toutefois, les données ainsi acquises sont bruitées et non structurées, et la création d’une représentation BIM sémantiquement significative exige un effort computationnel considérable, ainsi qu’une annotation humaine coûteuse et longue. Dans cet article, nous proposons une chaîne de traitement entièrement automatisée de scan vers BIM. Notre approche repose sur : (i) un nouveau jeu de données (HePIC), acquis à partir de deux grands bâtiments et annoté au niveau ponctuel selon des modèles BIM existants ; (ii) un nouveau réseau neuronal profond spécifiquement conçu (BIM-Net++) pour la segmentation sémantique, dont la sortie est ensuite traitée pour extraire les informations d’instance nécessaires à la reconstruction des objets BIM ; (iii) des techniques novatrices de pré-entraînement du modèle et de rééquilibrage des classes, permettant d’éliminer le besoin de grandes quantités de données étiquetées et d’intervention humaine.