💻 computer science

Recognizing and Reconstructing a Multi-Unit Floor Plan

Dit artikel stelt een nieuwe pijplijn voor die verbeterde MDA-Unet en MACU-Net segmentatiearchitecturen combineert met een op vectorisatie gebaseerde reconstructiemodule om automatisch 3D digitale tweelingmodellen te synthetiseren uit 2D architecturale plattegronden, waarbij state-of-the-art prestaties worden behaald op de CubiCasa benchmark.

Oorspronkelijke auteurs: Lukas Kratochvila, Gijs de Jong, Monique Arkesteijn, Simon Bilik, Tomas Zemcik, Karel Horak, Jan S. Rellermeyer

Gepubliceerd 2026-06-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Lukas Kratochvila, Gijs de Jong, Monique Arkesteijn, Simon Bilik, Tomas Zemcik, Karel Horak, Jan S. Rellermeyer

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een brandweerman of hulpverlener bent die een brandend gebouw in stormt. In je hand hebereen platte, 2D papieren kaart van de verdiepingsplattegrond. De kaart is rommelig, de inkt kan vervaagd zijn, en het is moeilijk om direct te visualiseren waar muren, deuren en trappen zich in de 3D-ruimte bevinden terwijl je rent. Stel je nu voor dat je die platte papieren kaart direct kunt veranderen in een zwevende, 3D-hologram van het gebouw in je geest (of op een tablet), die je precies laat zien waar je heen moet rennen en waar de uitgangen zijn.

Dat is het probleem dat dit artikel probeert op te lossen.

Het Probleem: De "Platte Kaart" vs. De "Echte Wereld"

Steden groeien en noodsituaties zoals branden of overstromingen worden complexer. Hoewel noodteams 2D-plattegronden hebben, zien deze tekeningen er vaak verschillend uit, afhankelijk van wie ze heeft getekend of welke software er is gebruikt. Het omzetten van een platte, rommelige tekening naar een helder 3D-model vereist meestal dat een mens dit handmatig bouwt, wat een eeuwigheid duurt. De meeste bestaande 3D-modellen bestaan alleen voor gloednieuwe gebouwen of worden gemaakt met dure, ruisgevoelige laserscans (zoals een puntenwolk), die te zwaar en te traag zijn voor snel gebruik tijdens een noodsituatie.

De Oplossing: De "Magische Vertaler" Pipeline

De auteurs hebben een digitale pipeline gebouwd die werkt als een super-slimme vertaler. Het neemt een rommelige 2D-plattegrond (de input) en verandert deze automatisch in een schoon 3D-model (de output). Ze hebben dit proces opgesplitst in twee hoofdfasen: Herkenning en Reconstructie.

1. Herkenning: De "Adelaarsogen-Detective"

Eerst moet het systeem de platte tekening bekijken en begrijpen wat alles is. Is dat een muur? Een raam? Een schuifdeur? Een trap?

Om dit te doen, hebben ze twee nieuwe "detectives" gebouwd (AI-modellen genaamd CAB1 en CAB2). Denk aan deze detectives alsof ze speciale brillen dragen:

Asymmetrische Convolutie: In plaats van de afbeelding te bekijken met een standaard vierkante lens, gebruiken deze detectives "L-vormige" of "T-vormige" lenzen. Dit helpt hen om lange, dunne muren of hoeken veel beter te spotten dan standaard hulpmiddelen.
Het Attention Mechanisme: Stel je een detective voor die precies weet waar hij naar moet kijken. Deze functie vertelt de AI: "Negeer de achtergrondruis; focus op de deurhengels en de randen van de muur." Het benadrukt de belangrijke delen van de tekening.
Multi-Scale Skip Connections: Dit is alsof er een team van detectives samenwerkt. De een kijkt naar het grote plaatje (de hele indeling van de verdieping), terwijl een ander inzoomt op minuscule details (een klein raam). Ze delen hun aantekeningen direct met elkaar zodat het uiteindelijke plaatje perfect is.

De AI raadt niet alleen; de AI leert door naar duizenden voorbeelden te kijken, waarbij het probeert de "score" (hoe goed het muren versus deuren identificeerde) zo hoog mogelijk te krijgen.

2. Reconstructie: De "Architect's Sculptor"

Zodra de AI elke muur en deur heeft geïdentificeerd, heeft het een rommelige, gepixelde maskering (zoals een kleurboek waarbij elke kleur een ander object is). De tweede fase is de Sculptor (de beeldhouwer).

Opruimen: De beeldhouwer neemt de rommelige pixels en maakt ze glad, waarbij kleine bobbels en fouten worden verwijderd.
Vectoriseren: Het zet die wazige pixels om in scherpe, wiskundige lijnen en vormen (polygonen). Het is alsof je een ruwe schets overtrekt met een perfect liniaal.
Het 3D-model Bouwen: Ten slotte neemt het deze 2D-vormen en geeft ze hoogte. Het weet dat muren omhoog gaan, deuren kaders hebben en trappen omhoog gaan in treden. Het bouwt een 3D-model dat in 3D-software (zoals Blender) kan worden bekeken.

De Resultaten: Werkt het?

De auteurs hebben hun "Magische Vertaler" getest tegen andere topniveau methoden met behulp van een beroemde dataset van plattegronden genaamd CubiCasa.

De Score: Hun nieuwe modellen (CAB1 en CAB2) behaalden een score van 0,86 (op een schaal waarbij 1,0 perfect is).
De Competitie: De andere beste methoden scoorden slechts rond de 0,74.
Het Oordeel: Hun systeem was aanzienlijk beter in het vinden van muren, deuren, ramen en trappen, zelfs wanneer de plattegronden uit verschillende landen kwamen of in verschillende stijlen waren getekend.

Ze hebben het ook getest op een nieuwe, zeer complexe dataset van grote gebouwen (MURF) en lieten zien dat het grote, rommelige plannen kon afhandelen waar andere systemen moeite mee hadden.

Wat Nu Volgt? (Volgens het Artikel)

De auteurs geven toe dat hun systeem nog niet perfect is.

Trappen: Momenteel zien de 3D-trappen er een beetje uit als blokkerige treden omdat het systeem curven in rechte lijnen verandert. Het weet nog niet welke kant de trappen op gaan.
Ronde Objecten: Als een gebouw een ronde toren heeft, verandert het systeem dit in een polygoon (een veelhoekige vorm) die meer lijkt op een stopbord dan op een perfecte cirkel.
Oude Papieren Plannen: Ze willen hun systeem trainen om oude, handgetekende papieren plannen te lezen die nog niet gedigitaliseerd zijn.

De Kernboodschap

Dit artikel presenteert een nieuwe, geautomatiseerde manier om platte, 2D-gebouwtekeningen om te zetten in 3D-modellen. Door geavanceerde AI-"detectives" te gebruiken om de onderdelen te herkennen en een "beeldhouwer" om de vorm te bouwen, hebben ze een systeem gecreëerd dat sneller en nauwkeuriger is dan huidige methoden. Het doel is om hulpverleners in noodsituaties de gebouwen beter en sneller te laten begrijpen, wat potentieel levens kan redden tijdens crises. De code voor dit systeem is nu beschikbaar voor anderen om te gebruiken en te verbeteren.

Technische Samenvatting: Herkenning en Reconstructie van een Meergezinsplattegrond

Probleemstelling
Digitale tweelingen (DT's) bieden een groot potentieel voor stedelijk beheer, met name voor rampenplanning, het ontwerpen van vluchtwegen en reddingsinterventies. De creatie van deze tweelingen blijft echter grotendeels handmatig vanwege een gebrek aan bestaande 3D-representaties, die vaak alleen beschikbaar zijn voor nieuwe gebouwen. Hoewel 2D architectonische plattegronden breed toegankelijk zijn via gemeentelijke instanties, brengen ze uitdagingen met zich mee: ze variëren in weergave (tekstuele en grafische verschillen tussen papieren en elektronische versies), missen de helderheid van 3D-ruimtes en bestaan vaak in rasterformaten in plaats van vectoren. Bovendien gaan bestaande geautomatiseerde benaderingen vaak uit van vectorinputs (ongeschikt voor oudere gebouwen) of richten ze zich alleen op kleine, eengezinsappartementen in plaats van meergezinsplattegronden. De kernuitdaging die wordt aangepakt, is de betrouwbare herkenning van kritieke structurele elementen (muren, ramen, trappen, leuningen) in 2D rasterplattegronden om automatisch een 3D-representatie (een 2.5D-model genoemd, aangezien het vloerhoogtes schat) te synthetiseren voor integratie in digitale tweelingen.

Methodologie
De auteurs stellen een nieuwe pijplijn voor, verdeeld in twee hoofdfasen: Herkenning en Reconstructie.

Herkenning (Semantische Segmentatie):
De herkenningsfase maakt gebruik van een aangepaste Convolutional Neural Network (CNN) gebaseerd op MDA-UNet, MACU-Net en U-Net3+ architecturen. De voorgestelde modellen, genaamd CAB1 en CAB2, bevatten verschillende specifieke verbeteringen:

Asymmetrische Convolutie (AC) Blokken: Vervangt standaard vierkante convoluties door een aggregatie van $k \times k$ , $1 \times k$ en $k \times 1$ kernels om skeletkenmerken beter te kunnen vangen.
Attention Mechanisme: Combineert kanaal- en ruimtelijke attention-modules om feature maps te wegen op basis van hun belang, waarbij kaarten worden afgeleid van intermediaire features.
Multi-Scale Feature Skip Connections: De architecturen maken gebruik van skip connections om de nadelen van standaard U-Net3+ ontwerpen te mitigeren. CAB1 gebruikt reguliere verbindingen, terwijl CAB2 volledig verbonden multi-scale skip connections gebruikt, die decoderlagen koppelen aan alle voorgaande encoder- en decoderlagen.
Multi-Task Training Doelstelling: De loss-functie is een gewogen som van drie componenten:
- Asymmetrische Unified Focal Loss: Behandelt klasse-onbalans door achtergrondverlies te onderdrukken en voorgrondverlies te versterken.
- Affinity Field Loss: Legt de semantische structuur in labels vast.
- Heatmap Regression Loss: Afgeleid van segmentatiemaskers om eindpunten van openingen (deuren, ramen) te voorspellen.
Input Afhandeling: De modellen worden getraind met variërende input-afmetingen van afbeeldingen om te functioneren als multi-scale detectoren.

Reconstructie (Vectorisatie en Visualisatie):
De reconstructiefase zet de pixel-gewijze segmentatiemaskers om in een 3D-model via:

Post-processing: Verfijnt verbonden componenten in het masker totdat een onzekerheidsdrempel wordt bereikt.
Vectorisatie: Transformeert verfijnde componenten naar polygonen door de eindpunten van rechthoeken met een minimaal oppervlak te af te leiden. Vertices worden samengevoegd als ze voldoende dicht bij elkaar liggen of collinear zijn.
Visualisatie: De resulterende polygoonset wordt gevisualiseerd met behulp van Blender. Trappen worden gevisualiseerd als polygonen met een vaste, verhoogde hoogte, hoewel de huidige methode geen rekening houdt met de oriëntatie van de trap.

Belangrijkste Bijdragen

Nieuwe Pijplijn: Ontwikkeling van een end-to-end framework voor het genereren van 3D-gebouwrepresentaties vanuit conventionele 2D rasterplattegronden, specifiek gericht op meergezinsstructuren.
Architecturale Innovaties: Voorstel van twee nieuwe segmentatiemodellen (CAB1 en CAB2) voorzien van asymmetrische convoluties, attention-mechanismen en verbeterde multi-scale skip connections.
Uitgebreide Evaluatie: Het framework is getest op meerdere datasets (CubiCasa, R3D, CVC-FP en een eigen MURF-dataset) en vergeleken met state-of-the-art (SOTA) technieken, specifiek DFPR en CubiCasa5K.
Open Source: De auteurs hebben hun code publiekelijk beschikbaar gesteld om verder onderzoek in dit domein te ondersteunen.

Experimentele Resultaten
De voorgestelde methoden werden geëvalueerd met behulp van Recall, F1-score en Intersection over Union (IoU) metrieken op de CubiCasa benchmark dataset.

Prestaties: De CAB1 en CAB2 modellen behaalden een gemiddelde F1-score van 0,86 en een gemiddelde IoU van 0,76.
Vergelijking: Deze resultaten presteerden beter dan de gemodificeerde SOTA baselines, DFPR $\beta$ (F1: 0,74, IoU: 0,61) en CubiCasa5k $\beta$ (F1: 0,74, IoU: 0,60).
Generalisatie: De modellen vertoonden consistente prestaties over verschillende datasets (CubiCasa, R3D, CVC-FP), waarbij CAB2 iets betere resultaten liet zien op de CVC-FP dataset.
Specifieke Klasse Prestaties: De modellen behaalden hoge recall en F1-scores voor muren (0,90/0,90), ramen (0,91/0,90) en trappen (0,87/0,89).

Betekenis en Claims
Het artikel claimt dat de voorgestelde pijplijn erin slaagt de kloof te overbruggen tussen beschikbare 2D plattegronden en de behoefte aan 3D digitale tweelingen, waarbij een schaalbaar en economisch alternatief wordt geboden voor computationeel veeleisende point cloud methoden. Door de extractie van structurele elementen uit diverse en vaak oudere 2D-tekeningen te automatiseren, ondersteunt de methode veiligere en efficiëntere hulpdiensten in groeiende stedelijke omgevingen.

De auteurs merken bescheiden beperkingen op, waaronder het huidige onvermogen om de oriëntatie van trappen te visualiseren en artefacten die ontstaan bij het converteren van circulaire objecten naar polygonen. Zij erkennen dat nieuwere SOTA-frameworks (bijv. uit [18], [23], [24]) niet direct vergeleken konden worden vanwege de onbeschikbaarheid van broncodes, hoewel hun muurherkenningsrecall (0,94) gunstig vergelijkt met de gerapporteerde resultaten in [24] (0,89). Toekomstig werk is geïdentificeerd met een focus op multi-floor uitlijning, het verzamelen van datasets voor grootschalige publieke en medische gebouwen, en het verbeteren van segmentatie voor oudere, op papier gebaseerde plannen.