SIGGRAPH Asia 2026 | SiZeUp：跳过点云，直接从照片“量”出建筑高度

重构一座城市的三维建筑模型，真的需要先恢复海量点云吗？如果目标不是复刻建筑的每一个细节，而是让大规模建筑群尽快按照真实尺度在三维空间中“站起来”，传统重建的完整流程并非唯一答案。SiZeUp (SZU)选择了一条更直接的路线：在相机位姿已知的条件下，将每栋建筑压缩为“二维建筑底部轮廓+单一高度”，把复杂的三维表面恢复转化为低维高度优化。更值得追问的是，单目深度并没有可靠的公制尺度，只凭“谁近、谁远”，为什么仍能量出以米为单位的建筑高度？论文不直接相信深度数值，而是保留更稳定的远近次序，再结合相机标定与多视图可微渲染持续修正共享高度。实验表明，这种有针对性的简化不仅绕过了耗时的点云重建，也在保持建筑覆盖完整性和主体体量一致性的同时获得了显著加速。

论文题目：
SiZeUp: Fast 3D Proxy from Aerial Images via Depth Ordinal Loss
论文链接：
https://arxiv.org/abs/2608.22821
项目主页：
https://vcc.tech/research/2026/SiZeUp

一、引言

城市级三维代理更像一张“立体地图”：这类代理不必复原每一扇窗，却要准确回答建筑在哪里、覆盖多大范围、具有多大体量。传统方法通常先从航拍图像恢复稀疏或稠密点云，再检测几何基元并生成代理[1-2]；其前端依赖 SfM[3]完成图像匹配、相机估计与稀疏三角化，随后由 MVS[4]恢复稠密几何。围绕这条技术链路，UrbanScene3D[5]通过真实与合成城市场景、航拍图像、LiDAR 扫描及多种观测模式，为航线规划、三维重建和城市模拟提供了系统化试验平台；UrbanBIS[6]则进一步面向真实城市中的建筑实例与细粒度类别，为区分、理解和分析复杂建筑形态提供了更丰富的数据基础。

然而，当相机位姿已经随无人机影像一同记录，而下游任务只需要LOD1级建筑代理时，一个更直接的问题随之出现：是否仍有必要先恢复完整点云？SiZeUp对此给出了否定的答案，并将每栋建筑压缩为“二维建筑底部轮廓＋单一高度”，把高维表面恢复转化为受相机标定约束的低维高度优化；单目深度只提供同一视图中较可靠的远近次序，多视图可微渲染则将不一致的次序关系转化为高度更新信号，最终结合相机标定和建筑底部轮廓的公制坐标，直接从图像中恢复具有真实尺度的建筑布局与主体体量。

二、技术贡献

本工作主要贡献如下：

•先把问题“变小”。提出面向大规模城市建模的高度—底部轮廓低维表达，将每栋建筑约束为“二维建筑底部轮廓+单一高度”，把一般三维几何恢复转化为仅以建筑高度为变量的低维优化问题；

•只相信相对远近，不直接相信公制深度。提出基于排序的深度损失，仅使用单目深度先验中的远近次序监督代理高度，规避绝对深度的尺度与偏移歧义，并借助已标定多视图在公制坐标系中恢复建筑高度；

•让表示、视图和优化协同工作。构建由建筑底部轮廓提取、动态视角选择和可微高度优化组成的直接图像到代理模型流程：底部轮廓固定二维支撑，动态视角选择压缩参与优化的图像数量，可微渲染则把基于排序的深度损失梯度传递到多视图共享的高度参数。该协同设计显著降低整体计算开销，使完整方法在真实场景中相较点云驱动基线实现23–52倍加速。

三、方法介绍

整套方法可以理解为：先在地面上画准建筑底部轮廓，再让其沿竖直方向“长”到合适高度。SiZeUp研究的并非完整建筑表面恢复，而是如何从无人机采集的已标定航拍图像中，直接构建满足城市级应用需求的LOD1代理。近垂直视图回答“建筑站在哪里”，倾斜视图回答“建筑应该多高”。真正的技术难点不是拉伸操作本身，而是如何把单目深度中不可靠的数值，转化为能够稳定更新公制高度的多视图约束。为此，方法结合冻结的深度先验、可微渲染和动态更新的视图子集迭代求解。

3.1 总体框架

如图1所示，SiZeUp以无人机采集的已标定航拍图像和相机位姿为输入，输出由建筑底部轮廓多边形沿竖直方向拉伸形成的LOD1代理。论文把相机光轴与竖直向下方向夹角小于15度的图像定义为近垂直视图，其余图像视为倾斜视图：前者更适合确定建筑与地面的接触边界，后者因能看到立面、遮挡和透视位移，更适合约束高度。整个流程可以概括为四步：

1. 先把建筑的平面位置“钉住”。方法从近垂直航拍图像中预测建筑与地面的接触区域，再将掩码矢量化为闭合多边形。这些多边形构成公制地平面上的二维几何支撑，并在后续高度优化中保持位置和形状不变。

2. 再给每栋建筑一个可更新的起点。每个建筑底部轮廓先获得一个从场景相关范围内随机采样的初始高度，并沿竖直方向拉伸为体块。此后，每栋建筑只保留一个高度标量作为自由度，整座场景的三维重建由此转化为低维联合优化。

3. 从大量照片中挑出真正有用的观察。方法依据当前代理在候选图像中的可见建筑数量、可见表面面积和相机空间分布，筛选覆盖充分、方向互补，并能为每栋建筑提供多次观测的倾斜视图；冻结的DA3只为这些视图生成深度先验。

4. 把远近冲突变成高度更新。当前代理按照选定视图的相机参数被渲染为深度图和可见掩码。方法在有效区域内采样像素对，比较渲染深度与深度先验中的远近次序，再通过可微渲染把基于排序的深度损失传回共享高度。高度一旦变化，投影覆盖、可见性和遮挡关系也会随之改变，因此视图子集会依据新代理周期性重选；“视图选择—深度渲染—像素对采样—损失计算—高度更新”的闭环持续执行，直至本轮优化结束。

3.2 建筑底部轮廓提取

这里最容易混淆的一点是：图像中“看得见的建筑”并不等于建筑真正接触地面的范围。二维建筑底部轮廓描述建筑在地面上的占用边界，是后续高度优化的固定几何支撑；低空航拍中的透视投影、立面显露和自遮挡，却会让屋顶轮廓或可见外轮廓偏离这一边界。FPSAM融合SAM3的外观与语义线索[7]以及DA3的深度感知线索[8]，预测更贴近地面接触区域的掩码，再将其矢量化为闭合多边形。轮廓一旦确定便保持固定，后续计算即可集中到多视图高度估计。

3.3 低维建筑表达：以高度为唯一自由度

给定第 栋建筑的建筑底部轮廓多边形 ，本文将其沿竖直方向拉伸至高度 ，得到建筑代理模型：

整座场景的待优化参数为 ，其中 为建筑数量。所有高度从正态分布随机采样，并限制在场景相关区间 内；该区间由场景高程和无人机采集高度共同确定。建筑底部轮廓的位置与形状在优化过程中保持固定，侧壁由竖直拉伸产生，每栋建筑只有一个标量高度需要更新。

这种参数化不仅减少几何生成量，也直接限定了可微优化的变量空间。对于第i栋建筑，所有选定视图都共享同一个高度参数；该参数的变化会同时改变屋顶在不同相机中的投影位置、侧壁可见范围、建筑间遮挡以及渲染深度。因此，多幅图像中的局部像素证据能够汇聚到同一个建筑变量上，而不必分别估计顶点、平面和拓扑。其代价是表示能力被限定为竖直拉伸的LOD1体块，这一限制在方法中是有意采用的效率与重建细粒度的权衡。

3.4 动态视角选择

图2 动态视角选择

如图2所示，高重叠率航拍会产生大量“看起来不同、实际证据相似”的照片；还有一些图像虽然覆盖了场景，却因遮挡严重或建筑投影过小，几乎无法约束高度。动态视角选择(Dynamic View Selection, DVS)的出发点很朴素：照片并不是越多越好，关键是每张图是否带来新的、可用的几何证据。SiZeUp因此不固定使用全部倾斜视图，而是依据当前代理在候选相机中的投影状态，动态组建一个信息更集中、彼此更互补的视图子集。这一选择过程遵循三个直观原则：

•看得多：优先保留能够覆盖更多建筑、并看到更多有效建筑表面的视图；

•看得不一样：让相机位置和观察方向保持空间多样性，避免一组照片都在重复相似角度；

•每栋都要被多看几眼：为每栋建筑保留多个有效观测，避免一次遮挡就让高度失去约束。

DVS不是寻找一张“最佳照片”，而是在组建一组互补的观察。方法先把当前代理投影到每个候选倾斜视图，计算可见建筑数量和可见建筑表面总面积，并通过分位数阈值剔除两项指标过低的图像；随后在剩余相机中执行最远点采样，得到兼顾地面覆盖与空间多样性的初始子集。如果仍有建筑没有获得最低数量的多视图观测，系统会继续补入最能改善其覆盖的视图。由于高度更新会改变可见掩码、投影面积和遮挡关系，这套选择并非一次性预处理，而会随着代理变化周期性重算。

3.5 从深度顺序关系到建筑高度更新

图3 建筑高度可微优化框架

动态视角选择得到当前迭代的倾斜视图后，SiZeUp需要把每个视图中的深度线索转化为对共享高度参数的约束。如图3所示，冻结的DA3为视图 生成深度先验 ；与此同时，当前LOD1代理依据相机参数经Nvdiffrast可微渲染器[9]得到渲染深度 和建筑可见掩码 ，掩码中的有效建筑像素记为 ，即当前代理在该视图中的非零可见区域。先验与渲染结果分别在这一有效区域内进行中位数和中位绝对偏差归一化：

渲染深度 采用相同方式得到 。其中，中位数在有效像素集合上计算，中位绝对偏差用于估计稳健的离散尺度，分母中的小量用于避免数值不稳定。深度先验与渲染深度各自独立归一化，从而减弱视图间整体尺度和偏移差异；这种处理只为比较相对结构提供条件，并不把单目深度转换为公制深度。SiZeUp随后也不回归对应像素的深度数值，而是只保留深度先验中更稳健的成对远近次序。

3.6 基于排序的深度损失

图4 深度序关系一致性

如图4所示，先验深度与当前渲染深度对同一像素对给出相反次序时，说明当前高度在该视图下产生了不合理的几何关系。冲突既可能出现在不同建筑之间，也可能出现在建筑与周围背景之间：例如高度被高估时，渲染得到的建筑掩码可能覆盖原图中的背景区域，从而暴露错误的前后关系。对每个参与当前迭代的视图，方法都会从有效区域重新随机采样像素对 ，并分别计算归一化深度先验与渲染深度中的成对差值：

即使对先验深度与渲染深度进行归一化，直接比较 与 的数值仍可能将单目预测中残留的尺度差异和局部偏差引入高度优化。因此，SiZeUp不要求两种深度在数值上直接接近，而是仅将先验深度差的符号作为固定的序关系标签，即判断像素 与 中哪一个距离相机更近；渲染深度差则随建筑高度连续变化。方法首先依据先验深度差筛选像素对：差值绝对值低于阈值的样本因序关系不稳定而被剔除，其余像素对组成有效集合 。仅要求排序方向一致仍可能产生深度差接近于零的弱次序解。因此，论文进一步要求有序像素对在渲染深度中保持给定的最小间隔，并据此定义一种类似hinge loss的替代损失，构成本文的基于排序的深度损失：

其中， 为间隔参数。该间隔排序约束同时考虑排序方向和分离程度：当渲染次序与先验次序相反时，符号乘积为负，像素对必然产生损失；当排序方向一致但渲染深度差尚未达到间隔 时，仍会产生非零损失；只有排序方向正确且深度差达到规定间隔后，该像素对的损失才为零。由此，方法既利用了单目深度先验中相对稳定的远近次序，又避免将其不可靠的绝对深度值直接用于监督。单个视图的损失对有效像素对取平均，场景目标再对当前选定的全部视图求和：

排序标签来自冻结的深度先验，因此先验分支不参与反向传播；渲染深度则随建筑高度连续变化，使总目标关于高度分段可导。梯度沿“渲染深度—代理表面—共享高度”链路反向传播，并由基于梯度的优化器更新参数。单目深度只确定排序方向，不负责提供公制数值；相机位姿、建筑底部轮廓的地面坐标、高度边界和高度变量均位于同一公制世界坐标系，因此优化是在已定尺度的几何空间中选择与多视图排序更一致的高度。多个选定视图共享同一个 ，其损失梯度会在场景级目标中累积，从而降低单视图遮挡、可见区域不完整或局部先验误差对最终高度的支配作用。

图5 建筑高度优化过程

图5把高度优化展示成一个不断自我校准的闭环。初始随机高度先生成当前代理，DVS据此挑选参与监督的倾斜视图；随后代理在这些相机下被渲染，方法采样并筛选像素对、计算基于排序的深度损失，再把梯度传回各建筑高度。新的高度会改变下一轮的渲染深度、建筑可见范围和遮挡边界，DVS也会随更新后的代理重新调整视图子集。因此，损失曲线可能因视图和可见性变化而波动，但所有视图共享的高度参数会被持续修正；经过反复迭代，最终高度用于生成整座场景的LOD1代理。

四、部分结果展示 4.1 建筑底部轮廓提取

表1 建筑底部轮廓提取定量结果

图6 建筑底部轮廓提取定性比较

表1和图6先回答一个基础问题：模型能否找准建筑真正“落地”的边界？实验在VertiFP测试集上比较多边形预测方法PolyWorld[10]、Pix2Poly[11]，单目建筑重建方法MLS-BRN[12]，显式建模屋顶到底部偏移的OBM[13]，以及通用分割模型SAM3[7]。所有方法均按实例级协议评估IoU, Precision, Recall和F1-Score.

规律很清楚：擅长找出“建筑在哪里”，并不等于能够找准“建筑从哪里接触地面”。主要面向近正射影像、且未显式处理透视偏移的多边形预测方法，往往依据屋顶纹理和可见外轮廓定位建筑；到了低空倾斜视图，屋顶边界、立面轮廓与地面接触边界明显分离，前两者便容易被误作建筑底部轮廓，造成轮廓缺失与整体偏移。显式考虑屋顶—底部偏移的单目重建方法有所改善，也从侧面说明：透视投影引起的边界错位，正是这一任务最需要处理的误差来源。

这里还出现了一个值得注意的现象：更高的召回率并不必然意味着更好的建筑底部轮廓。以“building”为提示时，SAM3倾向于覆盖图像中全部可见建筑区域，因此能找回更多建筑像素，却也会沿屋顶和立面向外扩展，难以贴合地面接触区域，精度与IoU因而受限。FPSAM的目标更窄也更明确——其不追求把建筑“涂满”，而是输出位置更准确、范围更紧凑的地面接触掩码，因此在Precision, IoU和F1-Score上形成一致优势。

4.2 真实场景高度估计

表2 真实场景高度估计结果

表2把方法放到七个真实城市场景中检验，场景覆盖住宅、工业区和城市综合区域，规模从数十栋延伸到数百栋建筑。一个看似反直觉的结果是：DVS在整个优化过程中只使用全部图像的一部分，却仍能维持较高的平均高度准确率。这说明冗余照片不会按数量等比例转化为几何约束；真正有价值的是能够看清建筑表面、从不同方向形成互补，并避开严重遮挡的观测。

场景之间的差异进一步说明，优化质量既不由建筑数量决定，也不由原始照片总数决定。Res-1, Res-3和Ind-1类型不同，却因有效观测密度较高而表现更稳定；Ind-2的误差相对更大，主要与更高飞行高度、较低图像密度以及更少的单栋建筑观测有关。远距离拍摄会压缩建筑在图像中的投影尺度，稀疏观测又会减少可用的遮挡变化和深度次序组合。换句话说，关键不是“拍了多少张”，而是每栋建筑是否被足够清晰、足够互补地观察。

4.3 与点云驱动代理重建方法比较

表3 代理重建质量与时间比较

图7 真实场景代理重建定性比较

表3和图7比较SiZeUp与点云驱动的代理重建流程。ConvexHull直接从重建点云生成凸包，ProxyRecon[1]从建筑级稀疏点云恢复实例代理，ArcPro[2]则进一步用结构化建筑程序表达层级几何。为使比较聚焦于高度与代理生成阶段，原文用同一组建筑底部轮廓分离点云实例；点云方法的总时间包含RTK约束的SfM前端和代理重建，SiZeUp的时间包含深度估计、DVS与高度优化。三个指标观察的是不同侧面：Err. 衡量局部表面距离，Comp. 关注参考表面被覆盖多少，IoU则反映整体体积是否一致。

结果并不是某一类方法在所有指标上全面胜出，而是呈现出稳定的任务分化。依赖点云并允许复杂结构的代理方法能够贴合屋顶坡度、台阶和局部凹凸，因此通常在点级表面误差上更有优势；SiZeUp主动使用单高度LOD1表示，阶梯屋顶、多层体量和非竖直细节自然会留下局部偏差。但建筑底部轮廓与主体高度直接控制占地范围和总体体量，使SiZeUp在覆盖率和体积IoU上保持竞争力。定性结果也与此一致：误差主要集中在复杂屋顶与局部结构，建筑布局、主体高度和整体占位则通常保持连贯。

为什么点级误差与整体完整性有时会给出不同判断？在观测稀疏、纹理较弱或遮挡明显时，点云证据容易集中在更易匹配的屋顶和上部表面；这些局部点即使贴合参考表面，也可能遗漏下部立面或部分体量。此时最近邻误差仍可较低，但Comp. 与IoU会暴露覆盖缺失。SiZeUp用建筑底部轮廓锁定平面范围，再把跨视图次序汇聚到共享高度，因此更偏向保持代理级完整性。其优势不是在每个表面细节上取胜，而是用更低的表示复杂度换取更稳定的主体体量和更短的处理链路。

表3中的速度差异也不是某个局部算子快了一点，而是整条处理链路被缩短。点云基线需要先执行SfM, 再完成点云处理与代理重建；SiZeUp则直接在已标定图像上估计深度、选择视图并优化高度。省去大规模图像匹配、三角测量和点云生成，同时把待求变量压缩为每栋建筑的单一高度，才是显著加速的主要来源。

4.4 非规则航线验证

图8 非规则航线下的高度优化结果

图8把方法带到不同于标准网格航线的采集条件中。实验选用UrbanScene3D[5]的Campus场景及其建筑底部轮廓，让候选相机沿距离、方位和飞行高度均不规则的轨迹观察建筑。结果表明，只要这些图像能够提供足够的建筑可见性、遮挡变化和相对深度证据，DVS仍能选出互补观测，基于排序的深度损失也能在共享坐标系中持续收缩高度范围。换言之，方法依赖的是有效多视图约束，而不是某一种固定航拍队形。

4.5 动态视角选择验证

图9 动态视角选择的视图信息量比较

图9做了一个更干净的对照：先不看最终高度优化，只比较DVS挑出的照片本身是否更有信息。对于每个场景，实验汇总DVS在优化过程中实际使用过的不同视图，并将数量记为N; 随后从同一候选池中用最远点采样(Farthest Point Sampling, FPS)另选N幅图像。两组等量视图分别输入同一个DA3点云重建流程。由于输入数量、候选范围和重建方法均保持一致，结果差异只反映两种选择策略保留下来的场景覆盖与几何证据。

同样是N幅图像，信息含量并不相同。DVS视图重建出的建筑结构更清晰，标注区域中的缺失也更少；FPS结果则更容易出现点云稀疏、轮廓破碎和局部空洞。原因在于FPS主要保证相机位置分散，却不直接询问建筑是否可见、表面是否被充分覆盖，或单栋建筑是否得到多次有效观察；DVS则把这些与高度监督直接相关的因素纳入选择。该实验支持的结论不是“少用图像就一定更好”，而是“在相同预算下，应保留与任务最相关的几何信息”。

4.6 目标函数消融

表4 高度优化目标消融

表4比较了三种高度监督：直接拟合DA3原始深度的逐像素 回归、 回归，以及本文的基于排序的深度损失。前两种目标在四个真实场景中均出现一致性失效，而基于排序的深度损失保持稳定。原因在于原始单目深度的数值尺度和偏移与当前公制世界坐标系并不对齐，逐像素回归会把这种系统误差直接传入高度；基于排序的深度损失只保留较可靠的远近方向，再借助相机标定与可微渲染决定更新量，与低维公制高度变量更匹配。

4.7 方法局限

图10 单一高度表示的局限

图10提醒我们：用一个高度描述整栋建筑，速度很快，但代价也十分明确。单一建筑底部轮廓和单一高度无法准确表达阶梯式屋顶、多层体量、悬挑结构与非竖直细节；当复杂建筑被合并为一个底部轮廓时，局部体量会出现系统误差。将建筑拆分为多个具有独立高度的底部轮廓组件可以缓解这一问题，但会增加参数数量，也更依赖可靠的轮廓分解。

五、总结与展望

SiZeUp最值得借鉴的，也许不只是某个损失函数，而是先重新界定了问题：城市级应用是否真的需要完整表面，还是只需要位置正确、体量可信、能够快速生成的代理？论文选择后者，并围绕“建筑底部轮廓多边形+高度”重新设计输入提取、视图选择、监督信号和优化过程。正因为表示目标足够明确，系统才能在保留场景布局、覆盖范围和主体体量的同时，大幅压缩计算成本。

把各部分串起来看，逻辑其实非常紧凑：建筑底部轮廓提供公制平面支撑，单一高度把优化空间压到最低；DVS减少冗余深度推理与可微渲染，基于排序的深度损失避开单目深度的尺度与偏移歧义；相机标定和建筑底部轮廓的公制坐标，则让最终结果回到真实尺度。实验传达的核心规律是，只有当表示、监督和优化彼此匹配时，“更简单”才会真正转化为“更快且仍然够用”。

下一步可以在不破坏低维优势的前提下，为复杂建筑引入多层拉伸、分段高度或少量屋顶基元；也可以联合优化建筑底部轮廓边界与高度，降低前序轮廓误差的传递。此外，阴影、跨视图特征或稀疏几何等弱监督，有望提升低纹理、远距离和严重遮挡场景中的稳定性。

六、思考与讨论

Q：只知道“谁近、谁远”，没有可靠的米制深度，SiZeUp为什么仍能恢复以米为单位的建筑高度？

A：关键在于区分“监督信号的形式”和“优化变量所在的坐标系”。DA3提供的是视图内远近关系，SiZeUp不把网络输出中的某个数值解释为多少米；真正的公制尺度来自相机位置、相机内外参、建筑底部轮廓的地面坐标以及高度可行区间。建筑高度从初始化开始就是公制世界坐标系中的变量，可微渲染也始终使用同一坐标系。

当改变时，屋顶在已标定相机中的投影位置、可见范围、遮挡边界与渲染深度都会按透视几何发生确定变化。若当前代理把本应更远的区域渲染到更近位置，基于排序的深度损失便会给出升高或降低建筑的梯度。单个视图只能提供部分约束，但同一个被多个方位和距离的视图共享；屋顶—地面、建筑—背景及建筑—建筑之间的次序共同收缩可行高度范围。因此，公制单位由相机与建筑底部轮廓几何确定，相对深度负责在该公制空间中选择更合理的高度。

Q：为什么表示更简单的SiZeUp, 可能在局部表面误差上不占优，却在代理覆盖和整体体量上更稳定？

A：先看两类方法究竟在优化什么。点云驱动方法拥有显式三维采样，能够拟合屋顶坡度、台阶和局部凹凸，更容易获得较低的点级表面误差；SiZeUp则把建筑压缩为建筑底部轮廓上的单高度拉伸体，阶梯屋顶、多层体量和非竖直细节会形成无法由单一高度消除的局部偏差。因此，两者的表示上限不同，评价结果自然会呈现“局部表面精度与整体代理完整性分化”的规律。

但点级最近邻误差有一个容易被忽略的盲区：其衡量已有表面离参考表面有多近，却不直接回答建筑是否被完整覆盖。在视图稀疏、弱纹理或遮挡明显时，点云可能集中在更易匹配的屋顶和上部表面；这些局部点即使非常准确，也可能遗漏下部立面或部分体量。SiZeUp用建筑底部轮廓锁定平面范围，再以共享高度生成完整拉伸体，因此常见规律是局部表面误差未必占优，但代理覆盖和整体体量更稳定。

所以，这里不存在脱离任务目标的单一“赢家”。如果应用关注快速城市初始化、可见性分析、路径规划或大范围体量占位，完整而连贯的LOD1代理通常比屋顶细节更重要；如果目标是精细测绘、屋顶结构分析或高保真渲染，结构更丰富的表示会更合适。论文真正支持的结论是：SiZeUp提供了突出的效率—代理级质量折中，而不是在所有几何精度维度上全面优于更复杂的方法。

以下是开放性问题，欢迎读者朋友留言讨论：

Q：如何在不显著牺牲SiZeUp速度优势的前提下，自动判断哪些建筑需要从“单一建筑底部轮廓与单一高度”升级为多层或分段代理，并为不同建筑动态分配表示复杂度？

Illustration From IconScout By IconScout Store

5 位将门老友的AI闭门聊天局

北京时间10月8日(周四) 晚20:00截止报名

详情点击图片跳转

-The End-

本周上新！

扫码观看！

“AI技术流”原创投稿计划

TechBeat是由将门创投建立的AI学习社区（www.techbeat.net）。社区上线700+期talk视频，3000+篇技术干货文章，方向覆盖CV/NLP/ML/Robotis等；每月定期举办顶会及其他线上交流活动，不定期举办技术人线下聚会交流活动。我们正在努力成为AI人才喜爱的高质量、知识型交流平台，希望为AI人才打造更专业的服务和体验，加速并陪伴其成长。

投稿内容

// 最新技术解读/系统性知识分享 //

// 前沿资讯解说/心得经历讲述 //

投稿须知

稿件需要为原创文章，并标明作者信息。

我们会选择部分在深度技术解析及科研心得方向，对用户启发更大的文章，做原创性内容奖励

投稿方式

发送邮件到

yimingzhang@thejiangmen.com

或添加工作人员微信（aceyiming）投稿，沟通投稿详情

关于我“门”

将门是一家以专注于数智核心科技领域的新型创投机构，也是北京市标杆型孵化器。 公司致力于通过连接技术与商业，发掘和培育具有全球影响力的科技创新企业，推动企业创新发展与产业升级。

将门成立于2015年底，创始团队由微软创投在中国的创始团队原班人马构建而成，曾为微软优选和深度孵化了126家创新的技术型创业公司。

如果您是技术领域的初创企业，不仅想获得投资，还希望获得一系列持续性、有价值的投后服务，欢迎发送或者推荐项目给我“门”:

bp@thejiangmen.com

点击右上角，把文章分享到朋友圈