← Zurück / Back to Thesis Topics · (neu) · Urban Scene Understanding
Automatische Erkennung und geometrische Integration von Fassadenelementen aus Street-Level-Images zur Anreicherung von LoD2-Stadtmodellen
Viele deutsche Städte verfügen bereits über flächendeckende 3D-Gebäudemodelle in LoD2. Diese Modelle enthalten in der Regel Gebäudevolumen, Dachformen und Höheninformationen, jedoch keine detaillierten Fassadeninformationen wie Türen, Fenster oder Balkone. Solche Informationen sind jedoch für urbane digitale Zwillinge, Stadtbildanalysen, energetische Gebäudemodellierung, Simulationen und Bestandsmonitoring von großem Nutzen.
Aktuelle LoD3-Bestände in Deutschland sind in vielen Fällen primär als texturierte Fassadenmodelle umgesetzt; belastbare semantische Fassadeninformationen (z. B. explizit modellierte Öffnungen und Bauelemente) fehlen dabei häufig.
Ziel dieser Masterarbeit ist es, einen prototypischen Workflow zu entwickeln und zu evaluieren, mit dem ausgewählte Fassadenelemente, insbesondere Türen, Fenster und Balkone, aus Street-Level-Images erkannt und geometrisch mit bestehenden LoD2-Gebäudemodellen verknüpft werden können. Als Untersuchungsgebiet kann ein ausgewählter Ausschnitt in Mainz oder Wiesbaden dienen. Als Datengrundlage sollen bestehende LoD2-Gebäudemodelle, Gebäudegrundrisse sowie frei verfügbare oder zugängliche Street-Level-Bilddaten, z. B. Mapillary, verwendet werden.
Im Mittelpunkt steht nicht die vollständige automatische Erzeugung eines vollständigen LoD3-Stadtmodells, sondern die Frage, inwieweit relevante Fassadeninformationen aus Street-Level-Images extrahiert, auf LoD2-Fassadenflächen projiziert und zur semantischen sowie geometrischen Anreicherung bestehender 3D-Stadtmodelle genutzt werden können.
Image source: Texture2LoD3 (CC BY)
Erwartetes Ergebnis
Erwartet wird ein prototypischer Workflow zur Erkennung und geometrischen Integration von Türen, Fenstern und Balkonen in bestehende LoD2-Gebäudemodelle. Das Ergebnis soll anhand eines Testgebiets in Mainz oder Wiesbaden quantitativ und qualitativ evaluiert werden.
Zentrale Literatur
- Tang, W., Li, W., Liang, X., Wysocki, O., Biljecki, F., Holst, C., & Jutzi, B. (2025). Texture2LoD3: Enabling LoD3 Building Reconstruction With Panoramic Images . CVPRW 2025, Workshop on Urban Scene Modeling.
- Ma, R., Yang, C., Chen, J., Biljecki, F., & Li, X. (2026). Street view imagery-based method for reconstructing 3D building facade openings . Automation in Construction, 184, 106842.