VectorFloorSeg: Two-Stream Graph Attention Network for Vectorized Roughcast Floorplan Segmentation

我们使用以下6个分类标准对本文的研究选题进行分析：

1. 数据格式

• 基于光栅的: 使用像素表示楼层平面图，就像数码照片一样。通常使用传统的图像处理技术和卷积神经网络。由于像素化，可能会丢失原始矢量格式中存在的细微细节。
• 基于矢量的: 使用数学描述来表示楼层平面图：线、曲线、形状及其关系。保留了原始设计的精度和可扩展性。需要专门的算法或模型来处理和理解这些结构化数据。

2. 分割重点

• 像素级分割: 将楼层平面图图像的每个像素分类为一个类别（例如，墙壁、房间、门）。计算效率可能较低，特别是对于高分辨率图像。如果它没有完全捕获原始楼层平面的矢量性质，可能会导致混叠或不规则的边界。
• 元素级分割: 直接识别楼层平面图的基本元素 - 线作为墙壁，封闭区域作为房间等。旨在保留原始矢量表示的精度和规则性。通常需要能够推理元素之间关系的技术。

3. 输出完整性

• 粗略分割: 优先识别主要功能区域（房间）。可以容忍略微不规则的边界或小元素的错误识别。适用于对房间布局有总体了解即可的应用场景。
• 细粒度分割: 强调分割元素的边界处的精度和精确度。旨在复制原始矢量格式的规则性和清晰度。适用于需要在CAD软件中进行下