セグメンテーションを超えて：不完全な画像からの構造に基づくファサード・パースのためのファサード・パーシング

要旨: 標準的な物体検出器は通常、建築要素を独立に扱うため、後段の手続き型再構成に必要な構造的な一貫性を欠いたファサードのパース結果になりがちです。 本研究では、この制約を、軽量な独自アラインメント損失を用いてYOLOv8の学習目的を拡張することで克服します。 この正則化は、学習中のバウンディングボックスのグリッド整合的な配置を促し、標準の推論パイプラインを変更することなく幾何学的な事前知識を実質的に注入します。 CMPデータセットでの実験により、本手法は構造の規則性を確実に改善し、視点の歪みと遮蔽によって生じるアラインメント誤りを修正しつつ、標準的な検出精度との間で制御可能なトレードオフを維持できることが示されます。