[0001] 本发明涉及城市规划领域，具体的是一种基于建筑几何深度学习的城市三维实景智能生成方法。

[0002] 随着城市化进程的加快和三维城市建模技术的发展，基于真实场景的三维实景重建在城市规划、建筑设计、交通管理等领域发挥着越来越重要的作用。三维实景模型不仅能够直观地反映城市的空间布局和建筑物形态，还可以为城市的未来发展提供可靠的数据基础。

[0003] 然而，现有的的城市三维建模方法大多依赖人工操作，数据采集、模型构建及精细化处理过程复杂繁琐，耗费大量的人力物力。随着城市快速发展和建筑形态日益复杂，传统方法难以应对大量且多样的建筑数据生成需求，严重制约了城市规划和建筑管理的效率。基于深度学习的几何建模技术通过算法训练，不仅能够自动化处理庞大的建筑数据，还能有效提升三维实景的生成效率和准确性，减少人工干预，降低出错率。

[0037] 下面结合附图和具体实施方式对本发明作进一步详细描述：

[0038] 如图1所示，本发明提供了一种基于建筑几何深度学习的城市三维实景智能生成方法，包括以下步骤：

[0039] 步骤1：通过手持扫描仪和无人机航拍设备，采集目标街区及其所在城市其他街区的所有建筑的倾斜摄影数据，设定采集点距离与建筑面宽和建筑高度的比例为。对倾斜摄影数据采用激光扫描仪进行处理，提取建筑五维立面数据，具体包括：

[0040] 采集目标街区及其所在城市其他街区的所有建筑的倾斜摄影数据，根据《汽车驾驶员前方视野要求及测量方法(GB 11562‑2014)》标准，确定人眼水平视角范围约为120度，垂直视角范围约为60度的范围，设定采集点距离与建筑面宽的比例为1:1.2，采集点距离与建筑高度的比例为1:1.5，并通过手持扫描仪和无人机航拍设备进行采集拍摄，得到建筑的倾斜摄影数据。

[0041] 步骤2：通过图像语义分割，针对步骤S1中所获得的建筑五维立面数据，提取出建筑的长宽高三维属性并计算出建筑几何体量，将计算得到的建筑几何体量和建筑立面图像通过关联数据标签进行对应，构建建筑几何体量与建筑立面图像成组的样本集。具体包括：

[0042] 提取目标街区及其所在城市其他街区的建筑五维立面数据，对建筑的倾斜摄影数据采用FARO FocusS 350型号激光扫描仪进行处理，所述处理方法：使用激光扫描仪逐一提取建筑的正视图、右视图、左视图、后视图和顶视图，依次将五个视图按照顺序进行拼接获得建筑案例的立面图轮廓，得到建筑五维立面数据。

[0043] 步骤3：针对步骤S2中所获得的建筑几何体量与建筑立面图像成组的样本集，通过图像语义分割算法提取出建筑几何构件与对应的色块图和建筑立面细部图像，将建筑几何构件色块图和建筑立面图像通过关联数据标签进行对应，进而构建建筑几何构件与建筑立面细部图像成组的样本集，具体包括：

[0044] 步骤3.1、构建建筑几何体量与建筑立面图像成组的样本集，针对步骤1中所获得的建筑五维立面数据，通过图像语义分割提取出建筑的长、宽、高并相乘计算出建筑几何体量，并为建筑几何体量和立面图像生成唯一标识符作为数据标签。通过数据标签将建筑几何体量与立面图像的一一匹配，构建建筑几何体量与建筑立面图像成组的样本集。

[0045] 步骤3.2、针对步骤2中所获得的建筑几何体量与建筑立面图像成组的样本集，通过图像语义分割算法提取出建筑几何构件与对应的色块图和建筑立面细部图像，其中所述建筑几何构件包括：墙、柱、梁、门、窗、阳台、檐口、屋顶，色块对应方式如下表，所述建筑立面细部图像包括：建筑材质、立面图案、建筑色彩，并为建筑几何构件色块图和建筑立面细部图像生成唯一标识符作为数据标签。通过数据标签将建筑几何体量与立面图像的一一匹配，进而构建建筑几何构件与建筑立面细部图像成组的样本集。

[0046]

[0047]

[0048] 步骤4：建立建筑几何深度学习模型生成城市三维实景，通过对抗生成网络训练建筑立面构件图像生成模型，当判别器的似然函数最大化时，输出目标街区成组的建筑立面图像，反之则继续训练；将立面图像输入建筑神经辐射场，生成建筑三维实景方案，具体包括：

[0049] 步骤4.1、建立建筑几何深度学习模型生成城市三维实景，利用储存器构建建筑几何构件与建筑立面细部图像成组的样本集，借助英伟达深度学习工作站，通过对抗生成网络训练建筑立面构件图像生成模型，当判别器的似然函数最大化时，输出目标街区成组的建筑立面图像，反之则继续训练：

[0050] 其中，构建对抗生成网络，在建筑几何构件与建筑立面细部图像成组的样本集的基础上进行训练，定义所需生成器与判别器：

[0051] 定义生成器的步骤为，输入随机噪声和建筑三维几何信息，输出所生成的建筑立面图像；定义判别器的步骤为，输入生成器所生成的图像或建筑立面细部图像中的真实图像，输出图像的真实性评分；通过判别器的似然函数进行图像生成模型训练效果的评估；

[0052] 所述建筑立面构件图像生成模型的判别器的似然函数表达为：

[0053]

[0054] 其中，L(D)为判别器的似然函数，D(x)表示输入图像x被分类为真实图像的概率，D(x′)表示生成图像x′被分类为生成图像的概率；

[0055] 若似然函数L(D)大于或等于阈值0.8时，则输出目标街区成组的建筑立面图像；

[0056] 若似然函数L(D)小于阈值0.8时，则重新输入建筑立面构件图像进行城市三维实景生成模型的训练；直至似然函数L(D)大于或等于阈值0.8时，输出目标街区成组的建筑立面图像。

[0057] 步骤4.2、输入场景中点的3D空间坐标和相机视角方向至建筑NeRF神经辐射场中，使用多层感知器学习映射，预测点的体积密度和颜色；通过光线投射算法，将输入图像的像素与3D场景坐标相对应；

[0058] 步骤4.3、在东、南、西、北及屋顶的立面五个给定的相机视角下重复渲染过程，生成对应的五个视图，以重建整个建筑的三维结构，进而组合为连贯的城市三维模型。

[0059] 步骤5：将目标街区的建筑三维实景方案输出至空间全息沙盘，通过AR混合现实眼镜进行街区三维方案展示与交互优化，最终输出智能生成的建筑立面图像方案及城市三维实景可视化方案。

[0060] 步骤5.1、将建筑神经辐射场生成的建筑三维实景方案输入至空间全息沙盘进行展示；

[0061] 步骤5.2、借助AR设备，通过手势识别、语音交互等方式对模型进行旋转、缩放、局部模型选择与修改，进行模型生成结果的展示、调整与交互优化，并导出智能生成的目标街区的建筑立面图像方案以及形式为Sketchup的三维模型文件。

[0062] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。