SF-Recon: Simplification-Free Lightweight Building Reconstruction via 3D Gaussian Splatting
作者: Zihan Li, Tengfei Wang, Wentian Gan, Hao Zhan, Xin Wang, Zongqian Zhan
分类: cs.CV
发布日期: 2025-11-17 (更新: 2025-11-21)
备注: This paper has been submitted to the 2026 ISPRS Congress
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
SF-Recon：通过3D高斯溅射实现免简化的轻量级建筑重建
🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)
关键词: 建筑重建 三维高斯溅射 轻量级模型 多视图几何 结构化重建
📋 核心要点
- 传统多视图几何重建建筑模型依赖于密集重建和网格简化，流程繁琐且对重建质量敏感。
- SF-Recon通过法线梯度引导的高斯优化和多视图边缘一致性剪枝，直接从3D高斯场提取结构化建筑表面。
- 实验表明，SF-Recon在自建数据集上能高效重建轻量级建筑模型，显著减少面数和顶点数。
📝 摘要（中文）
轻量级建筑表面模型对于数字城市、导航和快速地理空间分析至关重要。然而，传统的多视图几何流程依赖于密集重建、网格划分和后续简化，因此仍然繁琐且对质量敏感。本文提出了SF-Recon，一种直接从多视图图像重建轻量级建筑表面的方法，无需后处理网格简化。我们首先训练一个初始的3D高斯溅射（3DGS）场，以获得视图一致的表示。然后，通过法线梯度引导的高斯优化来提取建筑结构，该优化选择与屋顶和墙壁边界对齐的图元，然后进行多视图边缘一致性剪枝，以增强结构清晰度并抑制非结构伪影，无需外部监督。最后，多视图深度约束的Delaunay三角剖分将结构化高斯场转换为轻量级、结构保真的建筑网格。基于提出的SF数据集，实验结果表明，我们的SF-Recon可以直接从多视图图像重建轻量级建筑模型，在保持计算效率的同时，显著减少面数和顶点数。
🔬 方法详解
问题定义：现有基于多视图几何的建筑重建方法通常需要经过密集重建、网格划分和网格简化等步骤，流程复杂且耗时。此外，这些方法对初始重建质量较为敏感，容易产生噪声和伪影，影响最终模型的精度和质量。因此，如何直接从多视图图像中高效、高质量地重建轻量级建筑模型是一个重要的挑战。
核心思路：SF-Recon的核心思路是利用3D高斯溅射（3DGS）作为中间表示，通过优化高斯参数来直接提取建筑物的结构信息，避免了传统的密集重建和网格划分步骤。通过法线梯度引导的高斯优化，使高斯图元与建筑物的屋顶和墙壁边界对齐，从而实现结构化的表示。然后，利用多视图边缘一致性剪枝来去除噪声和伪影，进一步提高模型的质量。
技术框架：SF-Recon的整体流程包括以下几个主要阶段：1) 3DGS初始化：使用多视图图像训练一个初始的3DGS场，获得场景的视图一致性表示。2) 结构蒸馏：通过法线梯度引导的高斯优化，选择与屋顶和墙壁边界对齐的高斯图元，提取建筑结构。3) 边缘一致性剪枝：利用多视图边缘一致性约束，去除噪声和伪影，增强结构清晰度。4) 网格生成：使用多视图深度约束的Delaunay三角剖分，将结构化高斯场转换为轻量级建筑网格。
关键创新：SF-Recon的关键创新在于：1) 直接从3DGS场中提取结构化建筑表面，避免了传统的密集重建和网格划分步骤，提高了重建效率。2) 提出了法线梯度引导的高斯优化方法，能够有效地提取建筑物的结构信息。3) 引入了多视图边缘一致性剪枝，能够有效地去除噪声和伪影，提高模型的质量。
关键设计：在法线梯度引导的高斯优化中，使用法线梯度作为权重，引导高斯图元向结构边界对齐。在多视图边缘一致性剪枝中，使用多视图图像的边缘信息来判断高斯图元是否属于建筑结构，并去除不一致的图元。Delaunay三角剖分使用多视图深度信息作为约束，生成结构保真的建筑网格。
📊 实验亮点
SF-Recon在自建的SF数据集上进行了实验，结果表明，该方法能够直接从多视图图像重建轻量级建筑模型，与传统方法相比，在保持计算效率的同时，显著减少了面数和顶点数。具体而言，SF-Recon生成的模型面数比传统方法减少了约50%-70%，顶点数减少了约40%-60%，同时保持了较高的重建精度。
🎯 应用场景
SF-Recon重建的轻量级建筑模型可广泛应用于数字城市建设、城市规划、导航系统、虚拟现实、游戏开发等领域。该方法能够高效地生成高质量的建筑模型，为城市管理、地理信息系统等应用提供有力支持，并可用于快速构建大规模的城市三维模型，具有重要的实际应用价值和广阔的应用前景。
📄 摘要（原文）
Lightweight building surface models are crucial for digital city, navigation, and fast geospatial analytics, yet conventional multi-view geometry pipelines remain cumbersome and quality-sensitive due to their reliance on dense reconstruction, meshing, and subsequent simplification. This work presents SF-Recon, a method that directly reconstructs lightweight building surfaces from multi-view images without post-hoc mesh simplification. We first train an initial 3D Gaussian Splatting (3DGS) field to obtain a view-consistent representation. Building structure is then distilled by a normal-gradient-guided Gaussian optimization that selects primitives aligned with roof and wall boundaries, followed by multi-view edge-consistency pruning to enhance structural sharpness and suppress non-structural artifacts without external supervision. Finally, a multi-view depth-constrained Delaunay triangulation converts the structured Gaussian field into a lightweight, structurally faithful building mesh. Based on a proposed SF dataset, the experimental results demonstrate that our SF-Recon can directly reconstruct lightweight building models from multi-view imagery, achieving substantially fewer faces and vertices while maintaining computational efficiency. Website:https://lzh282140127-cell.github.io/SF-Recon-project/