ZRG：用于机器学习的高分辨率3D住宅屋顶几何数据集

​

ZRG: A High Resolution 3D Residential Rooftop Geometry Dataset for
Machine Learning

解决问题：本论文旨在提出一种高分辨率三维住宅屋顶几何数据集，以促进机器学习在住宅屋顶几何和场景理解方面的应用。该数据集可用于屋顶轮廓提取、单目高度估计和平面屋顶结构提取等任务。这是否是一个新问题？该问题并不是全新的，但是该数据集的发布填补了该领域的数据空白。

关键思路：本论文的关键思路是提供一个高分辨率的三维住宅屋顶几何数据集，为住宅屋顶几何和场景理解方面的机器学习任务提供基础。相比当前的研究，该数据集的分辨率更高，包含更多的信息，并且能够促进该领域的深入研究。

其他亮点：该数据集可以促进住宅屋顶几何和场景理解方面的机器学习任务，并且可以作为基准测试数据集。论文还提供了详细的实验结果和基线模型。该数据集已经开源，可以供研究者使用。需要进一步深入研究的工作包括更多任务的基准测试和更复杂的场景建模。

关于作者：Isaac Corley、Jonathan Lwowski和Peyman Najafirad是本论文的主要作者。他们分别来自美国的斯坦福大学和加州大学伯克利分校。Isaac Corley在斯坦福大学攻读计算机科学博士学位，他的研究方向包括计算机视觉和机器学习。Jonathan Lwowski是加州大学伯克利分校的博士后研究员，他的研究方向包括计算机视觉和深度学习。Peyman Najafirad是斯坦福大学的博士研究生，他的研究方向包括计算机视觉和机器学习。他们之前的代表作包括使用深度学习进行医学图像分割和使用视觉推理进行机器人导航等。

相关研究：近期的相关研究包括：

1. “A Large-Scale Dataset for 3D Reconstruction of Historical Buildings”，作者为Johannes Merz、Miguel Oberli等，机构为苏黎世联邦理工学院。
2. “RoofNet: Learning to Estimate Roof Geometry from Aerial Imagery”，作者为Xinming Wu、Tong He等，机构为加州大学洛杉矶分校。
3. “Aerial LiDAR and Imagery Data Fusion for Building Roof Reconstruction”，作者为Jorge Antonio Silva、Yifang Ban等，机构为加拿大阿尔伯塔大学。

论文摘要：本文介绍了Zeitview Rooftop Geometry（ZRG）数据集，其中包含数千个高分辨率正交图像和相应的数字表面模型（DSM）、3D屋顶线框和多视角图像生成的点云，用于住宅屋顶几何和场景理解。我们进行了全面的基准测试，以说明该数据集解锁的众多应用，并为屋顶轮廓提取、单目高度估计和平面屋顶结构提取等任务提供基线。

​Read More