模型空洞识别
异构融合 3D-CNN
异构融合 3D-CNN
空洞感知网络
古建筑三维重建中，因视角遮挡、结构复杂产生大量未建模空洞。 我们提出业界创新的异构融合框架，将体素语义信息、边界几何特征与拓扑结构信息统一建模。
94.2%
空洞检测精确率
91.8%
空洞检测召回率
±2.5mm
边界定位精度
技术架构
A
3D U-Net 体素分割
处理体素化输入，提供高召回率的全局语义覆盖，理论感受野达 44³ 体素格。
B
1D-CNN 边界环路建模
多尺度卷积（核尺寸 3/5/7）提取边界顶点序列特征，SE 通道注意力增强关键维度。
C
MLP 拓扑分类
基于 7 维环路聚合特征进行整体判别，过滤噪声环路，提供语义约束。
多粒度几何特征提取包含 10 维顶点特征（高斯曲率、法向量方差、局部折角等）与 7 维环路聚合特征（平面性、圆形度、法向量一致性等）。 采用 Dice + Focal 复合损失函数处理类别失衡（正负样本比 1:15~1:20）， Dice 系数达 0.720，IoU 达 0.564。
