Der Beitrag präsentiert ein probabilistisches Verfahren zur Anreicherung von CityGML-LoD2-Gebäudemodellen zu detaillierten, semantisch strukturierten und „wasserdichten“ LoD3- Repräsentationen. Durch eine unsicherheitsbewusste Fusion von mobilen Laserscans und Bilddaten mittels Bayesischer Konfliktanalyse lassen sich unmodellierte Fassadenelemente zuverlässig identifizieren. Ein hybrider Segmentierungsansatz, der geometrische Prioren, Konfliktwahrscheinlichkeiten und visuelle Evidenz vereint, ermöglicht die ­robuste Erkennung von Fenstern, Türen, Balkonen und Unterführungen. Die rekonstruierten Elemente werden über eine Objektbibliothek klassifiziert und mittels konstruktiver Volumenoperationen in das Modell integriert. Experimente in München und Ingolstadt belegen deutliche Genauigkeitssteigerungen und präzise LoD3-Rekonstruktionen für die digitale Stadtmodellierung.