本研究构建了一个大型航空激光扫描（ALS）点云数据集，评估其对下游应用的影响。通过地理空间抽样，选择多样的地形和土地覆盖类型，结果表明预训练模型在多个任务中显著优于随机初始化模型，验证了数据集的有效性及抽样策略的贡献。

本文介绍了多伦多的Toronto-3D点云数据集，包含7830万个点，支持深度学习模型的训练。研究提出了多种语义分割方法，包括基于本地和全局编码器的LGENet、弱监督框架和无监督GrowSP方法，均在不同数据集上表现优异。此外，评估了高层城市点云数据集和多模态LiDAR分割网络UniSeg，展示了点云语义分割的提升潜力。

本文介绍了一种新颖的建筑模型重构策略，利用低细节级别模型和MLS点云，实现LoD3建模的重构。提出的Scan2LoD3方法通过激光物理学和建筑模型先验概率，提升了语义分割和重建精度，并探讨了建筑点云数据集在城市建模和建筑能源信息理解中的应用。

本文介绍了多个城市点云数据集，包括SensatUrban、Toronto-3D和Building3D，涵盖3D点云的分类、分割和建模任务，旨在评估深度学习算法在城市规模点云理解中的表现。此外，研究提出了创新的分割架构PotholeGuard，提升了3D坑洞分割的准确性，具有实际应用潜力。