Inpainting von Fassadenobjekten mit Deep-Learning_Methoden
Inpainting facade objects using deep learning methods
Thomas Fröch
Bei aktuellen Methoden zur Rekonstruktion semantischer 3D-Gebäudemodelle auf LoD3-Niveau sind 2D-Konfliktkarten, welche auf potenzielle Konflikte zwischen existierenden LoD2-Gebäudemodellen und korrespondierenden Punktwolken hinweisen, ein wichtiges Zwischenergebnis. Aufgrund von Abschattungen sind solche Konfliktkarten häufig unvollständig. In diesem Beitrag wird untersucht, wie Deep-Learning-basierte Image-Inpainting-Methoden verwendet werden können, um unvollständige Konfliktkarten zu vervollständigen. Dabei liegt der Fokus auf der Personalisierung eines Stable-Diffusion-Image-Inpainting-Modells mit DreamBooth. Die Ergebnisse der Experimente zeigen das Potenzial der Anwendung und der Personalisierung Deep-Learning-basierter Image-Inpainting-Methoden zur Vervollständigung unvollständiger 2D-Konfliktkarten.
In recent methods for reconstructing semantic 3D building models on LoD3 level, 2D conflict maps indicating conflicts between LoD2 building models and corresponding point clouds serve as an intermediate result. Due to occlusions, these conflict maps are frequently incomplete. This work investigates how deep learning-based image inpainting methods can be utilized for completing incomplete conflict maps. The focus is on personalizing a Stable Diffusion image inpainting model with DreamBooth. The experimental results outline the potential of applying and personalizing deep learning-based image inpainting methods to complete incomplete conflict maps.
Schlüsselwörter: 3D-Gebäudemodelle, Punktwolken, Image Inpainting, Stable Diffusion, DreamBooth
Keywords: 3D building models, point clouds, image inpainting, Stable Diffusion, DreamBooth
DOI: 10.14627/gis.Science.2025.2.4
Der Volltext der aktuellen Artikel (< 3 Monate) aus dem Artikelarchiv steht für
gis-Abonnenten
nach dem Login
zur Verfügung.
