中国古建筑三维数字化方法综述

2023-06-05 09:14刘秀伟任镤孙晓敏徐崇斌周明全

山西大学学报（自然科学版） 2023年3期

刘秀伟，任镤*，孙晓敏，徐崇斌，周明全

（1.北京印刷学院设计艺术学院，北京 102600；2.北京空间机电研究所，北京 100094；3.文化遗产数字化保护与虚拟现实北京市重点实验室，北京 100875）

0 引言

中国古建筑造型精美，结构精妙，以木架构为主形成了独立完整的营造体系，兼具科学技术和艺术审美价值，是中华文明的重要组成，也是世界文化遗产的璀璨明珠。中国古建筑的三维数字化是计算机图形图像技术应用于建筑学研究、文化遗产数字化保护和数字娱乐等多种应用场景的具体实例。相对于二维图像，古建筑的三维模型可以更加直观地对其外形、结构以及营造方式等信息进行表达，支持古建筑在图形空间的数字孪生和交互应用。

与西方石质古建筑主体结构简单、装饰性构件复杂等特点不同，中国古建筑以木质结构为主体，建筑外形很难通过球、圆柱、圆锥等标准几何形状直接进行描述，而是由斗、拱、椽、檩、梁架等构件榫卯拼接而成，这些构件本身互相遮挡并且具有复杂的连接关系。且古建筑结构与其所属政治人文环境、历史年代等因素密不可分，因此中国古建筑的三维建模问题相对于一般三维建模问题更加复杂，值得学术界围绕相关问题展开专门研究。本文从中国古建筑三维数字化问题描述开始，对现有古建筑三维建模方法和研究现状进行分析讨论，总结不同方法和对应的适用场景并提出展望。

1 问题描述

古建筑具有极强的地域特点和功能属性，形式多样且特点鲜明，本文讨论的中国古建筑是指以木作结构为基础，明确具有台基、房体、屋顶三部分构件集合和相应子构件的中式宫殿、民居、园林和寺庙建筑。信息技术应用于中国古建筑数字化工作以来，三维模型在遗址遗存的实体修复，古建筑结构形态虚拟复原、科学仿真等方面具有重要作用。不同应用场景对三维数据需求不同，有些仅需展示建筑外形，有些需要详细的内部结构；有些需要实现实体从物理空间到虚拟空间的高精度数字孪生，有些需要实现符合约束规则和应用场景的古建筑高效率三维内容制作。因此中国古建筑三维数字化问题涉及不同三维数据表示方式、生成方法和处理技术。

在三维几何处理研究领域，三维形状存在多种表示方式，如点云、网格、深度图像、体素和隐式函数等。不同数据类型具有不同几何特征，且生成方式和处理技术均不同。最常见的中国古建筑三维数据类型为三维点云和三维网格。

三维点云包含从形状表面采样得到的三维点，通常表示为的矩阵形式，代表三维点个数，代表描述点的特征维数，除空间坐标之外，还可以为空间点的其他属性，如颜色、深度等。三维点云数据是利用光学设备采集得到的原始类型，也是计算机视觉研究领域三维重建算法生成的初始结果。随着光学扫描硬件设备和三维重建技术发展，古建筑三维点云数据越来越容易获取。点云表示中，三维空间点之间不存在拓扑结构，无顺序和连接关系等信息。大多数应用中，需把点云数据重建为三维网格进行下一步处理。图1 左为激光扫描的高精度古建筑点云。

图1 古建筑三维数字化数据形式Fig.1 3D data forms of CAA

三维网格利用顶点和连接顶点的边组成多边形表面表示三维形状，通常为三角形或四边形网格。三角网格作为使用最为广泛的三维形状表示方式，具有存储数据结构简单、逼近效果好等优点。以三角网格为例，网格数据可表示为点、边、面的集合{V，E，F}，其中V={v1，v2，…，vn} 为网格的n个顶点；E={(vi，vj)|vi，vj为边的顶点} 表示网格中顶点间连接关系；F={(vi，vj，vk)|vi，vj，vk}构成网格中三角面片。与离散点云不同，网格可表示相邻顶点的连通性，因此更适合计算描述三维形状的局部几何特征，更适于交互式几何建模以及模型渲染和展示。古建筑三维网格数据可基于点云重建生成，也可通过算法自动或交互式生成。图1 中为基于扫描点云泊松重建生成的三角网格模型，右为设计师利用几何造型软件制作的四边形网格。由统计数据可知，重建生成的网格虽然可以降低原始数据顶点数，但是相对几何造型数据仍具有很大数据量。此外，基于深度图像、三维体素和隐式函数的三维重建方法也是相关领域的研究热点，但是在中国古建筑三维建模实践中应用有限。实践中，不同数据类型、建模方式的选择需要由应用需求来决定。

中国古建筑具有独特的营造方法和支撑结构，在统一的建筑体系下又极富变化。从三维形状几何处理角度考虑，中国古建筑的三维形状属于具有复杂子结构的人造物体三维形状。中国古建筑的三维数字化不仅要考虑建筑整体的几何外形生成，还要考虑子结构部件的相对位置和空间关系，多个建筑单体组合生成院落场景布局。理论上，三维重建和三维建模是两种不同的三维模型生成技术。应用于古建筑数字化问题中，前者可解决现实世界中，古建筑文物的数字孪生问题；后者解决虚拟世界中，古建筑三维模型从无到有的生成问题。实际工作中两种技术存在融合应用，本文对现有研究中针对古建筑三维数字化问题的解决方法进行文献综述，按照生成方式不同将现有方法归纳为基于几何造型软件的交互式建模、三维重建、过程式建模和数据驱动建模方法。

2 三维数字化方法

2.1 交互式几何建模

交互式几何建模属于计算机辅助设计（CAD）研究方向，是计算机图形学领域最早出现的三维建模方法。经过数十年的发展，目前在行业内已经存在大量成熟的几何建模工具，如3Ds Max、SketchUp、Blender 等。在大部分实际应用中，基于三维几何造型软件的方法依然是古建筑三维内容制作的主流方法［1］，其需要建模人员具有较高领域专业知识，包括对建模软件的使用、对古建筑构造规则的了解以及专业的艺术审美能力，建模过程耗时费力，成本较高。并且对于非专业用户来说，按照繁杂的规则进行几何建模并不现实。基于计算机图形学和计算机视觉技术发展，已有一些针对古建筑特定对象的快速建模方法研究。

2.2 三维重建方法

三维重建（3D reconstruction）是光学传感设备应用于古建筑三维数据采集的基本方法，可以在图形空间快速生成与物理世界相对应的真实模型。此类方法是测绘领域的关注热点，不同技术的主要区别在于古建筑空间信息采集设备，不同设备的采集方法、适用场景和生成数据类型均有不同。但此类方法均涉及三维几何处理中的多种基础研究问题，如空间点云数据采集、点云数据处理、多视点云拼接融合、点云网格化等。

典型的中国古建筑三维点云采集方法以激光测量技术为主，常见设备包括车载、机载Li-DAR 激光扫描仪、TLS 站式地面扫描仪等。利用激光扫描古建筑获得表面点云数据是测绘领域关注的应用问题。应用于建筑三维数据采集的站式激光扫描仪出现于20 世纪末，目前已形成非常成熟的技术流程。基本原理是利用激光飞行时间（Time of flight，TOF）来判断空间点的位置信息，即设备向目标发射连续的激光脉冲，通过特定传感器接收物体传回的光信号，计算光线往返的飞行时间得到古建筑表面的3D 深度信息，以点云形式表达。对于大体量的古建筑，通常需要在标定靶等参照物辅助下实现多站扫描，拼接生成完整数据。激光扫描得到的古建筑点云数据精度高，能够满足测绘、高精度存档等要求，因此在实践中应用广泛［2］。目前可用于古建筑三维扫描的激光扫描设备已集成了点云去噪、拼接、修补、网格化等几何处理功能［3］，支持生成古建筑工程测绘图等应用。

激光扫描设备价格昂贵，操作复杂，在基层文保工作实践中难以普及推广。因此基于普通照片的古建筑扫描方法也得到广泛关注。此类方法基于计算机视觉领域被动式三维重建算法的研究成果，能够实现从多视角图像，甚至单幅图像到三维点云的自动生成。

利用多个视点对同一目标拍摄多张图像，可以通过算法对不同图像中相同像素点进行匹配，再结合三角测量原理计算空间点的三维坐标信息，进而重建出三维模型，这一过程被称为运动恢复结构（Structure from motion，SfM）。可以采用多视图几何方法实现基于SfM 的古建筑三维重建［4］，通常包括4 个基本步骤：

1）特征检测与匹配：利用图像特征局部不变性进行检测，定义描述算子在一组古建筑图像序列中提取特征点，计算不同图像中同一空间位置对应像素的特征点对。

2）多视图几何约束关系计算：根据对极几何原理求解基础矩阵，利用基础矩阵和摄像机内参数求解本质矩阵，对输入图像中任意对应点之间的约束关系进行描述，包含物理空间中摄像机的旋转和平移信息，摄像机的内参数。

3）优化估计结果：对前两步操作计算生成的三维点位置和相机参数进行非线性优化，根据捆绑调整算法（bundler adjustment）将问题转化为非线性最小二乘问题并求解。

4）稀疏点云稠密化：经过以上步骤可生成反映目标表面主要特征信息的稀疏点云，但不具备可视化展示条件。针对中国古建筑，多利用PMVS 算法［5］实现多幅图像到稠密点云的三维重建。PMVS 算法基于局部灰度一致性和全局可见度一致性定义面片（patch）模型，通过初始化特征匹配生成稀疏面片，迭代执行面片扩散和过滤操作得到稠密的面片点云。针对古建筑大体量带来的如图像采集过程中拍摄角度受限、表面细节多等具体问题，一些工作利用空间几何信息［6］、多特征融合预处理等方法对PMVS 算法进行改进，提高了重建精度和效率。

单幅图像提供的空间信息非常有限，通常需要结合其他约束条件进行三维信息恢复。一种思路是根据灭点定标原理，利用灭点几何关系计算相机内外方位参数，恢复相机空间姿态，进而结合地形图、基本体素和高程数据等信息实现古建筑的三维信息复原［7］。Jiang 等提出利用古建筑对称性对相机参数进行标定，基于单幅图像计算三维特征点云，用户提供少量交互标定主要建筑构件，最终生成完整网格模型［8］。深度学习技术为单幅图像三维重建算法提供了新的思路，但由于缺少针对中国古建筑的专用数据集，因此利用深度学习算法从单幅图像生成古建筑三维模型仍存在困难。

近年来随着无人机技术发展，航空倾斜摄影测量也常用于古建筑的三维信息采集［9］。利用飞行器搭载高清摄像头实现多角度图像采集，在高空域实现密集多角度自动拍照计算三维点云，其本质原理仍是基于图像的三维重建。由于完整的古建筑单体规模较大，单一数据采集方法在实际应用中存在缺陷，如站式扫描仪无法采集古建筑顶部数据，而航空倾斜摄影技术在这一场景具有优势。在古建筑内部小型复杂构件扫描中，有时需要结合结构光扫描技术，提高生成模型精度。在此过程中，多源点云数据的匹配融合、稠密点云的网格化重构也是值得研究的重要方向［10］。图2 给出了利用多源融合方法进行古建筑三维重建的基本流程。在大规模古建筑三维数据重建应用中，需要根据需求利用多种技术采集重建三维点云，通过配准融合多源点云数据，三角化后生成完整古建筑三维网格。

2.3 过程式建模方法

在三维空间实现从无到有的古建筑建模属于三维建模（3D modeling）问题的研究范畴。最常见的思路是过程式建模（procedural modeling）方法，即定义参数化形状语法和生成规则，在图形空间自动生成三维模型或场景。过程式建模方法通过调整参数可生成不同的复杂结果，适合生成具有重复子结构和自相似特征的目标物体。通过定义完备的形式语法，如形状语法、分裂语法、CGA（computer generated architecture）语法等对几何结构的逻辑和规则进行描述，可实现大规模现代建筑和城市三维可视化建模应用。

考虑古建筑的自相似性和子结构重复出现的基本特点，早期的中国古建筑三维快速建模方法直接引入过程式建模技术，在构件库和规则库驱动下实现模型的自动生成［11］。刘华等从中国古建筑建造规范中提取造型规则，参数化表示建筑结构特征。将古建筑三维形状的构造模块定义为组件，用形式语言对构造规则进行描述，如：

规则号：组件串：构建条件∶∶=组件串：概率因子。

通过迭代解释造型规则控制组件的变换组合，实现古建筑模型自动生成［12］。Liu 等提出基于语义的建模方法，将点、线、面等基本几何单元转换成生成古建筑的语义组件，利用XML语言和地理信息系统常用的数据描述语法控制模型生成过程［13-14］。Liu 等提出一种面向中国古建筑的营造语法（Constructive Grammar，CG），定义五元组＜M，F，R，S，＄＞，其中M是古建筑结构组件的有限集合；F是约束的有限集合；R是规则集，规则的表现形式为α→β，其中α是一个组件，β是一个组件串；S是一个空间占位符的有限集合；＄是起始状态符。构造语法的字符表可表示为

其中T表示包括旋转、平移、缩放等在内的基本变换函数。字符表构成的空间决定构造语法所能表现的范围，通过对语法解释执行，即可实现古建筑三维形状的自动生成［15］。

由于古建筑构件在三维形状方面存在多义性，引入本体概念可有效辅助过程式建模。本体是实现语义网的基础，其概念常用于共享概念模型的形式化规范说明，其定义目标为获取相关领域知识，从不同层次定义词汇和相互关系。Liu 等利用本体设计方法改进古建筑的过程式建模，通过挖掘复杂建筑风格的隐含模式自动生成标注，提高建模智能性和效率［16-17］。

中国古建筑形式多样，构件复杂，而上述过程式建模方法将结构部件简化为基本几何形状进行组合绘制，在细节上缺乏真实性。后续研究关注古建筑构件的几何特异性，在构件和规则驱动下生成古建筑结构模型。自宋代《营造法式》记载以来，中国古建筑的大木结构营造规则均以模数制进行规范，即将古建筑中某一关键构件尺寸作为基准，推算其余构件尺寸参数。官式建筑多以斗口为基本模数，民居等不适用斗拱的小式建筑可以檐柱径为基本模数。真实世界中的古建筑可以通过标准构件的组合装配进行营造，构件和规则驱动的过程式建模方法定义形式语法对模数制和古建筑构件进行参数化描述，实现古建筑结构的自动或交互式生成。如王茹等以斗口模数十一等材为基础，构建了古建筑构件3D 模型库，并基于CAD 软件开发可视化应用接口，实现不同类型和规格的古建筑快速建模［18］。Liu 等提出规则驱动的中国古建筑过程式建模方法，通过定义构件组装过程的XML 文件实现标准式样的建筑建模，解决构件参数设置规则和构件位置关系的协同问题［19］。图3 展示了文献［19］中国古建筑典型木结构民居的三维数字化效果图以及对应构件的语义名称。Liu 等基于模数确定开间数、开间面阔、廊步和举架尺度等参数，并根据建筑形制、样式、构造做法等规则计算结构部件在空间中的位置信息，实验中对复杂建筑构件如斗拱、不同形制古建筑单体、古建筑群落布局的自动生成进行了测试［20］。

加入图像引导可以提高过程式建模结果的真实性，实现与现实中真实古建筑视觉一致的快速建模。Hou 等利用古建筑工程图纸进行快速建模，从正视线画图中分割古建筑语义组件，通过启发式算法实现层次化的子部件语义选择，根据形状语法生成与语义树一致的古建筑形状［21］。后续工作中提出一种基于单幅图像的过程式建模方法，通过用户标注的建筑轮廓计算灭点，识别重复出现的曲线元素确定三维方向和建筑组件，结合形状语法实现过程式建模［22］。

由于古建筑风格形状的多样性，还有一些工作针对特定类型古建筑类型开展过程式建模研究，利用过程式建模方法提高交互建模工具的可用性。如郭武等提出古建筑 L 系统建模方法，通过参数控制顶部曲率等几何参数，实现塔式建筑快速建模［23］。Huang 等提出中式亭子快速建模方法，通过位置控制点和曲率控制点对屋顶形状进行参数调整，且支持屋顶细节构件的动态生成，为用户提供一种交互式过程建模工具，快速生成不同风格的亭子模型［24］。Hu等提出一种从未分割古建筑网格模型中提取框架的自动算法，为用户提供可交互编辑的初始框架，辅助非专业建模用户的快速建模［25］。

考虑古建筑与子结构部件之间存在层次关系，图结构的引入为古建筑过程式建模提供新的思路。薛峰等提出一种徽派建筑快速建模方法，将建筑体的各个模块参数化为图的拓扑节点，通过对图节点遍历实现徽派建筑三维模型的自动构建［26］。后续工作通过子图拓扑扩展，基于有限的初始节点信息自动扩展徽派建筑平面布局二维拓扑图，采用模块组合实现参数化的过程式快速建模。李尚林等针对徽派建筑的特定风格，在营造语法基础上提出基于概率网络的高层语义参数和底层组件参数描述，通过规则求解生成符合需求的徽派建筑［27］。

过程式建模方法的本质是对硬编码（hardcode）过程规则的可视化表示，优点在于能够对古建筑营造规则进行精准地表达，有效支持静态或动态的中国古建筑结构三维可视化应用，与交互式建模方法结合避免专业级别的几何造型建模过程。然而硬编码的规则无法实现对所有古建筑样式的统一描述，只能生成与参数一致的古建筑模型。用户只能通过调节规则参数得到不同形制的建筑模型，或在规则中加入随机扰动一定程度上提高生成结果多样性。

2.4 数据驱动建模方法

随着三维数据的积累和深度学习技术的发展，数据驱动的三维建模方法逐渐成熟。三维形状不仅能够提供可复用的三维几何数据，还蕴含着高层次语义信息和复杂的结构知识。作为典型的人造物体，建筑的几何结构存在可复制的规律和逻辑，数据驱动的三维建模方法旨在对已有同类三维形状的分析理解基础上，启发式或开放交互式生成新的具有相同语义属性的同类三维模型。

数据驱动的三维物体和场景建模已有多年研究基础，Cohen-Or 等在文献［28］中提出创意性三维建模，在少量三维模型基础上，通过智能分析和子结构重组生成更多同类模型，并在少量古建筑数据集上进行测试。在古建筑三维建模应用中，杜国光等提出基于样例的三维建模方法，在构建古建筑结构部件数据库的基础上，提出基于语义的检索方法，根据古建筑多维属性和分类之间的关系，建立语义网和推理规则，利用HowNet 实现古建筑结构部件的检索与复用，进而实现快速建模［29］。在政治因素和自然因素影响下，古建筑构件需要遵循严格的等级和制式规定，同时也要匹配不同应用场景；这意味着古建筑结构部件三维形状的几何参数和对应匹配也存在相应依赖关系。基于此观察，Ren 等提出数据驱动的古建筑三维建模方法，利用概率图模型实现古建筑结构部件关系推理（如图4 所示），在已知部分结构部件条件下向用户推荐生成完整古建筑三维模型的合理匹配［30］。Wang 等提出从文本到古建筑的三维快速建模方法，对古建筑描述文本进行自然语言处理，利用预训练的贝叶斯网络计算合理匹配的最大后验概率，拼合结构部件实现三维古建筑单体模型生成［31］。

在已有古建筑数据基础上实现场景快速生成的任务可转化为位置参数离散状态空间的组合优化问题进行求解。Ren 等提出通过手绘草图实现三维模型检索复用，将古建筑布局约束定义为目标函数，通过智能优化算法进行动态求解，实现场景快速生成［32］。Li 等定义古建筑布局的重叠规则、距离规则、旋转规则、凸包面积规则等约束和随机扰动，通过GPU 加速的动态概率优化实现古建筑民居群落的快速生成［33］。

逆向建模技术用于古建筑三维建模也是基于数据驱动的思路，可以将参数建模生成的构件标准几何模型和采集得到的三维点云进行配准，采用基于拉普拉斯坐标的模型变形方法拟合标准构件和采集数据。或检测输入点云的边缘特征，利用平面拟合大大降低点云数量，实现高精度扫描数据到精简网格的三维重建［3］。Liu 通过改进RANSAC 算法在古建筑三维点云中提取平面、圆柱、圆锥等基本体素，校准基本形状体素的位置和方向，按照相邻形状体素之间的交线裁剪形状体素，最终生成对应的古建筑构件CAD 模型［34］。

近几年的研究中，生成对抗网络、变分自编码器等生成式深度学习模型被用于一般三维形状的自动生成［35］。在预处理大量古建筑三维模型，或其他可提供结构语义信息的数据基础上，结合此类算法将提高数据驱动古建筑建模的智能性，辅助古建筑虚拟复原、智能场景生成等领域的快速建模应用。

3 分析与对比

3.1 应用场景分析

古建筑遗址文物的数字化保护是三维数字化的主要应用场景。目前，针对中国古建筑保护修缮的三维数字化多采用图2 所示的多源数据融合的三维重建方法，实现古建筑文物空间数据的高精度测绘和存档，支持古建筑考古数据测量和可视化展示［36］。除了测绘数据记录，高精度的三维数字化结果可辅助中国古建筑预防性保护应用工作［37］。利用三维数据对建筑整体结构、梁架、墙壁以及周期性形变进行比对分析，可以对其平面位移、沉降、倾斜、形变进行监测，对文物建筑的风险评估提供准确的判断依据。

BIM 系统是中国古建筑三维数字化的延伸方向，也是近年来古建筑数字化保护的重要手段。基于古建筑三维数据，BIM 系统可以建立一个完整的涵盖项目全寿命周期和全部信息的建筑信息模型［18］。理想的古建筑BIM 系统应包含工程数据、材料数据和工艺数据在内的基础数据和完整参数，以及与之相关的历史档案、史料等，可支持古建筑的完整生命周期记录，支持真实世界建筑工程施工、古建筑虚拟复原、古建筑结构分析和应力仿真测试等具体应用［38］。中国古建筑的BIM 系统实现是涉及完整的三维建模、整体和局部构件建筑信息管理、文保数据管理等关键问题的综合性课题，对古建筑数字化保护具有重要意义。

影视特效和动画制作也是中国古建筑三维数字化的重要应用场景，要求在预算成本内实现高质量古建筑模型制作和渲染。对于真实世界存在的古建筑，可使用三维重建方法生成一致的三维场景，需解决网格处理和真实感绘制等问题；对于已不完整或消失的古建筑遗址，可利用数据驱动的快速建模方法生成三维模型，需解决其中缺失构件推理和拼合等问题；对于完全虚构的古建筑，可基于交互式过程建模方法提高传统几何造型方法效率。影视动画采用离线渲染方式制作视频内容，可根据需求保证三维效果的真实感或艺术风格，而不在模型精度方面进行妥协。

相对而言，支持实时渲染的应用场景对古建筑三维形状的数据量要求极为苛刻，如3D 游戏、可交互的VR/AR 应用、三维可视化线上应用等，需要在用户交互、甚至是远程传输的同时完成渲染画面的计算和输出。随着GPU 硬件发展、渲染算法效率提升和移动互联网传输性能提升，实时渲染可支持的三维模型面片数不断提高，但是合理有效地分配画面中的渲染资源依然是此类应用场景关注的重点问题。许多古建筑过程式建模方法利用LOD（Level of detail）技术解决这一问题，即根据模型在显示环境中的位置判断显示程度，自动降低画面中非重要物体的面数和细节度（图5），获得高效率的渲染运算［39-40］。

图5 古建筑LOD模型Fig.5 LOD models of CAA

3.2 结果评估与对比

通过对比生成点云坐标与真实坐标的位置误差，可以对古建筑三维重建结果进行精确的定量分析和评估。在激光扫描技术中，点云的测绘误差主要来自于测量过程中的客观因素，如设备精度限制、目标遮挡、扫描距离、换站和多点云拼接带来的累计误差等。目前可用于古建筑三维扫描的主流站式激光扫描仪设备精度可达2 mm，用于局部细节扫描的手持设备精度可达0.02 mm，但是在实际工作中点云测量误差会更大［1］。基于图像的重建方法生成点云精度会受到更多环境因素影响，比如光照、目标材质、颜色等。此外图像的分辨率对多视角图像匹配算法也会带来直接影响。通过密集采集高质量图像，目前基于倾斜摄影技术采集三维点云的精度可达厘米级［10］。除了精度要求，建模完整度也是评价重建结果的重要指标。单一采集方法很难完成完整的古建筑数字化，通过多源点云数据融合生成的三维网格模型可以有效提高数据完整度和可视化效果。

中国古建筑快速建模方法的研究目标有差异，如过程式建模方法以实现中国古建筑完整结构建模为目标，数据驱动方法更加关注交互易用性和生成结果多样性，需要结合定量和定性分析对建模结果进行评价。研究中通常通过生成建模实例、计算建模时间、用户评价等方式对方法有效性进行验证。表1 对调研文献提出的不同类别中国古建筑三维数字化方法的优缺点、生成数据特点、自动化程度和应用场景进行了对比。实际应用中需结合场景需求，选择不同的方法实现中国古建筑三维数字化应用。

表1 古建筑三维数字化方法对比与分析Table 1 Comparison and analysis of 3D CAA digitalization methods

4 难点与趋势

研究者已针对中国古建筑三维数字化的具体问题提出了许多解决方法，目前为止仍有一些难点值得进一步研究，并且在理论研究和硬件进展支持下，呈现出一些值得关注的研究趋势。

4.1 研究难点

一是完整古建筑的三维数字化。虽然基于多源数据的融合生成已经是古建筑三维重建领域的基本方法，但是在实际应用中，生成完整古建筑三维形状仍是难点。从重建方法来说，古建筑自身结构存在遮挡，且数据体量过大给后期处理带来很多困难，如建筑外形、内室、内部结构细节的扫描数据很难融合处理和展示。对建模方法来说，生成模型完整度受限于规则，符合制式、应用场景要求的合理细节信息仍需要额外的专家经验指导，快速建模方法可支持的应用非常有限。

二是缺少标准数据集。标注语义的古建筑三维标准构件库是支持许多方法研究的数据基础。从规则驱动的过程式建模方法来讲，标准构件可提高生成古建筑数据的真实性。目前的研究方法中，构件库的组织管理缺少统一的开源数据库。从数据驱动的建模方法来讲，标注语义的古建筑数据库是智能化算法实现的基础，可通过标注多源数据提高训练样本数量。结合几何数据分析和完整构件库可实现精确的古建筑逆向建模。

三是缺少对古建筑形状风格分析的深入研究。已有研究提出基于三维点云数据的风格化几何特征描述算子［41］，或采用深度度量学习算法对古建筑三维模型的形状风格进行相似度分析［42］，但是缺少针对中国古建筑特点的具体研究，如不同朝代、不同地域古建筑屋檐的风格形状描述，不同制式和功能的装饰构件风格描述等。形状风格分析可有效提升快速建模结果的合理性，并对古建筑复原推理和艺术化场景建模提供支持。

4.2 研究趋势

鉴于中国古建筑几何形状的复杂性，融合多种思路的三维数字化方法已成为研究趋势。如文献［22］结合图像重建和过程式建模方法实现单幅图像驱动的古建筑快速建模，文献［24］和［39］等结合过程式参数化建模方法提高交互建模的易用性，文献［26］、［27］和［30］结合过程式和数据驱动建模方法，采用图网络对古建筑构件关系进行描述。逆向建模、古建筑BIM 系统研发等综合应用，更是需要不同方法支持三维建模。

中国古建筑快速建模方法一方面更加智能化，旨在降低非专业用户的建模门槛，如数据驱动的建模方法，通过部件重组生成古建筑单体，避免用户的交互建模过程。另一方面更加专业化，旨在为专业用户提供易用的交互建模工具。如基于Rhino 建模软件的参数化建模工具Grasshopper，通过可视化编程实现参数控制的过程式建模，大大提高了古建筑交互建模效率［43］。SketchUp 的古建筑生成插件CTA Construction Tools 覆盖《营造法式》中大木作的主要内容，提供不同风格古建筑的参数化建模。此外如Houdini、Blender 等几何建模软件也集成了参数控制的程序化建模功能，非常适合中国古建筑的快速建模。

引入深度学习算法对中国古建筑快速建模的智能性和专业性提升均有帮助。如已有研究利用pointNet 对古建筑构件点云数据进行识别和分类。对古建筑图像的智能处理也可辅助三维建模，如已有研究利用R-CNN 对古建筑图像中的缺失构件进行识别和推理，可辅助过程式建模方法的规则生成。可以结合deepDNN 从多源古建筑语义描述数据中学习生成规则，指导古建筑三维模型快速生成，甚至实现基于缺失信息的古建筑虚拟修复。此外，基于深度学习的图形渲染技术研究已经取得一些进展，如近两年来关注度极高的神经辐射场（NeRF）技术［44］，通过训练神经网络实现少量视角到三维任意视角的渲染合成，可在古建筑模型的真实感和风格化可视渲染应用中进行推广应用。