Points2Poly：从点云到建筑模型的AI重建神器

你是否曾经对着密密麻麻的城市点云数据发呆？无人机扫描一圈回来，数据是有了，但要从几百万个离散点还原出完整、可编辑的建筑三维模型——这件事在过去往往需要专业人员手工耗费数小时才能完成。Points2Poly 正是为解决这个痛点而生。

图1：Points2Poly 重建效果概览

背景：城市三维重建的百年难题

三维城市建模是智慧城市、数字孪生的基础。传统的 BIM（建筑信息模型）依赖人工测绘，成本高、周期长；近年来流行的摄影测量（Photogrammetry）和激光雷达（LiDAR）技术可以快速采集点云数据，但点云本质上是离散的「点」，本身不含拓扑连接信息——一个平面在点云里只是一堆距离很近的点，系统无法知道它们属于同一面墙、同一扇窗。

更棘手的是，建筑不同于一般物体：它有大量规则的几何特征——墙壁是平面、天花板是平面、窗户是矩形——但同时又存在大量杂乱遮挡（树木、广告牌、其他建筑）。如何让算法既「认识」这些几何规律，又能在杂乱环境中鲁棒工作，是学界长期探索的问题。

陈翟雨（Zhaiyu Chen）在 2022 年发表于 ISPRS Journal of Photogrammetry and Remote Sensing（遥感与摄影测量领域顶刊）的论文，提出了一个优雅的解决方案：用深度隐式场（Deep Implicit Fields）来学习建筑的占用概率，同时结合显式几何构造（顶点群 + 胞腔复形）来约束输出形状。论文被引用 95 次，是该领域的重要工作。

核心技术：显隐结合的混合架构

Points2Poly 的核心思想可以用一句话概括：让神经网络学习「哪里是建筑表面」，让几何算法确保「输出是合法建筑」。

第一步：点云预处理与平面基元提取。 项目依赖 Mapple（Easy3D 的 GUI 工具）从点云中提取平面基元（RANSAC 平面拟合），生成顶点群文件（.vg/.bvg）。这步是整个管线的关键——提取质量直接影响最终模型精度。

第二步：构建胞腔复形（Cell Complex）。 提取的平面基元在胞腔复形中形成面，共享边形成棱，共享棱的交点形成顶点。这是一个典型的单纯复形（Simplicial Complex）结构，与计算几何中的经典方法一脉相承。

第三步：深度隐式场学习占用概率。 借鉴 Points2Surf 的思路，项目使用神经网络（基于 PyTorch）预测空间中的每个点是否被建筑表面占用。输入是局部点云特征 + 胞腔复形的几何约束，输出是一个隐式函数，可以判断任意空间坐标的「占用概率」。

第四步：网格提取与后处理。 有了隐式场后，用 Marching Cubes 或类似算法提取等值面，再经过胞腔约束修正（确保所有面都属于提取的平面基元）、底面闭合（补充缺失的底部结构），最终输出 watertight（无孔洞、可 3D 打印）的多边形建筑模型。

图2：Points2Poly 技术管线：从点云 → 隐式场 → 胞腔复形约束 → 紧凑多边形建筑模型

依赖体系：模块化拆分的工程设计

项目的一个设计亮点是核心模块独立维护：abspy（负责胞腔复形、顶点群、邻接图的抽象数据结构）作为独立仓库和 PyPI 包存在，points2surf（隐式场学习框架）作为子模块存在，points2poly 本体则是面向建筑重建场景的 wrapper。这种拆分让各个模块可以独立演进，降低了代码耦合。

主依赖栈：

• abspy：胞腔复形数据结构、顶点群操作、邻接图构建，PyPI 一键安装
• points2surf：隐式场神经网络、占用概率预测、Marching Cubes
• Easy3D（via abspy）：底层几何计算库
• SageMath（via abspy）：符号计算（胞腔拓扑验证）
• NetworkX（via abspy）：图结构操作
• Hydra：配置管理，支持命令行覆盖参数
• PyTorch：深度学习训练与推理

部署体验：研究级代码的典型特征

Points2Poly 是典型的学术研究代码：功能完整、逻辑清晰，但部署门槛不低。没有 Docker 支持，没有 Web UI，全程命令行操作。主要挑战：

1. 复杂的依赖安装。 需要同时搞定 abspy（PyPI 安装）、points2surf 子模块（git submodule）、Easy3D/SageMath 系统依赖（非 pip 可解决）。作者在 README 中做了详细说明，但对不熟悉 Linux 环境的用户仍有门槛。

2. 强制 GPU。 深度学习推理必须 CUDA 支持，config.yaml 中 gpu_idx: 0，CPU 模式可用但极其缓慢。最低建议 RTX 2070 以上显卡，显存 8GB+。

3. 数据准备繁琐。 预训练模型从 Google Drive 下载（需要代理或特殊手段）；完整 Helsinki 数据集同样托管在 OneDrive；自定义数据集需要用 Mapple 手动提取平面基元，对非专业用户不友好。

不过一旦环境搭好，使用流程相当顺畅：一条 python download.py 搞定数据和模型，python reconstruct.py 自动重建，python evaluate.py 输出 Hausdorff 距离评估结果，输出直接存 ./outputs/ 目录。

代码质量与文档

代码质量在学术项目中属于上乘：Hydra 配置管理让参数调整极为方便，README 包含完整安装流程、demo 演示、自定义数据集教程，引用格式规范（BibTeX）。缺少的是测试套件（无 tests/ 目录）和 CI/CD 流水线。文档对有 3D 重建背景的研究者非常友好，但对纯 ML 开发者有一定领域知识门槛。

局限与展望

Points2Poly 主要针对规则建筑（人工建筑、有明显平面结构），对不规则自然地形（山体、树木）效果有限。作者后续的 PolyGNN（ISPRS 2024）等工作正在探索更通用的 3D 重建架构。此外，模型训练需要大量带标注的建筑 Mesh 数据，数据获取成本高是该领域的共同瓶颈。

行业意义

Points2Poly 代表了 3D 重建从「几何重建」向「语义重建」演进的趋势——不仅重建几何形状，还要识别「这是墙」「那是窗」。随着智慧城市、数字孪生需求的爆发，建筑级三维建模工具的需求正在快速增长。该项目的显隐结合架构、胞腔复形约束思想，对后续研究有重要参考价值。