建筑巡检不再只看照片：高斯中心对齐物理表面，高度测量误差降到0.33%

建筑巡检需要的三维表示不再只是看起来像，而是能直接量出构件尺寸和面积。 此前基于图像的重建能给出可扩展的表示，但仅靠照片级逼真并不足以提供工程应用所需的几何可测性、语义结构和交互式信息访问。 在合成无人机巡检数据QuakeCity和手机拍摄的HKUPB上，高斯中心深度平均绝对误差分别下降58.1%和86.8%。

做法是给每个高斯点同时加上区域约束、深度约束和类别特征，让它在优化中既落在目标构件上，也落在真实表面上。 掩码区域监督压掉无关背景，把优化集中在目标区域；逐点深度监督用多视图立体点云作为参考几何，把高斯中心引向物理表面，为量尺寸和面积提供几何锚点。 语义高斯场把可学习的类别特征绑定到单个高斯基元上，在QuakeCity和HKUPB上语义分割mIoU达到0.8529和0.8642；在HKUPB上高度、宽度、面积测量的平均相对误差分别为0.33%、1.07%和0.60%。

这些能力被放进一个可交互的巡检平台，支持实时可视化、语义分析、定量测量和由多模态大语言模型辅助的交互。 平台名为AEC-SplatTwin，把上述重建与语义能力从离线结果变成巡检现场可操作的信息访问方式。 该平台在合成无人机巡检数据QuakeCity和手机拍摄的HKUPB两套数据上运行，覆盖实时可视化、语义分析、定量测量与多模态大语言模型辅助交互。

报道依据的是摘要层面的材料，覆盖合成无人机巡检数据QuakeCity与手机拍摄的HKUPB两套数据集上的深度误差、语义mIoU和尺寸测量误差，以及AEC-SplatTwin平台的实时可视化、语义分析、定量测量与多模态大语言模型辅助交互能力。适合关注三维重建与建筑巡检的研究人员和工程读者了解该框架能做什么。

材料为摘要，未给出网络结构、训练细节与误差统计的完整设定；深度监督依赖多视图立体点云作为参考几何，其质量对结果的影响未在材料中说明；量测误差仅在HKUPB上报告，其他场景的表现尚不明确。