MétaCan
Menu
Retour à la cohorte
Enregistrement W4415593846 · doi:10.1109/mgrs.2025.3618468

Public Building Geometric Models From Point Clouds: A multidimensional quality evaluation framework

2025· article· W4415593846 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueIEEE Geoscience and Remote Sensing Magazine · 2025
Typearticle
Langue
DomaineEarth and Planetary Sciences
Thématique3D Surveying and Cultural Heritage
Établissements canadiensSaint Mary's University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésPoint (geometry)Geometric modelingBuilding information modelingQuality (philosophy)Development (topology)Semantics (computer science)Point cloudBuilding model

Résumé

récupéré en direct d'OpenAlex

With the rapid development of the low-altitude economy, the application of 3D building geometric models has become increasingly critical in fields such as urban planning and management, disaster emergency response, virtual reality, augmented reality, and digital twins. Due to the advancements in fundamental surveying and mapping technologies as well as computer vision, datasets of building geometric models based on ubiquitous point clouds have continuously emerged. However, the created models often suffer from low lightweight properties, strong dependence on prior knowledge of building structures, topological inconsistency, and insufficient or even absent semantic representation. These problems have resulted in building model datasets exhibiting significant disparities in geometric accuracy, topological structure, and semantic richness, alongside a lack of unified quality assessment standards. To address this, this article proposes a multidimensional quality evaluation framework for building geometric models, encompassing aspects such as geometric accuracy, topological correctness, semantic richness, lightweight properties, and model modality. This framework is employed to comprehensively evaluate six representative building model datasets. By examining common issues in existing datasets, such as geometric distortions, topological errors, and semantic deficiencies, a series of optimization strategies and solutions are proposed. Considering diverse application requirements, this article emphasizes balance among geometric accuracy, topological relationships, semantic richness, and lightweight to meet the demands of multiscenario applications. Furthermore, the article explores future directions for the construction of building model datasets, recommending a focus on multilevel detail representation, uncertainty assessment of quality, and alignment with practical application demands. These efforts aim to drive the optimization and intelligent development of 3D building models, providing higherquality support for applications such as digital twins and the low-altitude economy.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,987
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,087
Tête enseignante GPT0,308
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle