纹理抹平不等于脱敏：几何轮廓成泄露缺口
随着实景三维中国建设推进，实景三维模型凭借对城市空间几何结构与真实场景外观的高精度表达，已成为数字经济、智慧城市与自然资源管理的重要基础数据。然而模型纹理中可能包含涉军涉密等敏感内容，一旦在共享过程中被非法获取，将引发隐私泄露乃至公共安全与国家安全风险。由于模型数据纹理与几何紧密耦合，如何在保证可用性的前提下同步消除敏感目标的纹理信息与几何特征，成为制约其安全共享的关键问题。
纹理场伪装：渲染端隐蔽，数据层未处理
此类方法结合神经辐射场等隐式三维表征，在数据渲染环节引入隐私保护机制，使特定视角下敏感纹理目标不可观测，典型如 S²NeRF 在联邦学习梯度中引入衰减噪声以实现视觉隐藏。问题在于其并未对底层原始数据进行任何改写，敏感目标的几何与纹理信息仍完整留存于模型文件之中，方法安全性存在显著局限。
重建前脱敏：源头安全却难及既有数据
该类方法在实景三维模型生产前，对倾斜摄影等采集的二维影像先行去除敏感内容，再以脱敏影像完成三维重建，如 PicPrivacy 用卷积神经网络检测隐私纹理、以生成对抗网络修复空白区域。其从源头保证了生成数据的安全性，但无法直接应用于已建成的海量实景三维模型，适用范围受到较大限制。
重建后脱敏：只改纹理，几何轮廓完整留存
以纹理贴图为对象、结合目标检测与图像修复的局部重建方法可直接作用于既有模型，如 YOLOv5s 与 PatchMatch 的组合方案具备较高代表性。但实景三维模型由三角网格与纹理贴图共同构成，仅在二维图像层面做视觉处理，敏感纹理修复后其三维几何轮廓仍完整保留，敏感目标在空间结构层面依然可识别。
敏感目标总数
单体·街区·城市级
较 YOLOv5s 提升 9.6
Hausdorff 距离区间
检测—映射—压平：三模块协同脱敏
本文方法的总体流程由 3 个核心模块构成：先在展开的二维纹理图像中完成敏感目标的精准检测与高保真修复，再基于重心坐标系实现从敏感纹理区域到敏感几何区域的坐标映射，最后通过局部网格压平消除敏感几何区域的显著轮廓特征。其中二三维映射是连接纹理域与几何域的枢纽，也是传统纯纹理方法所缺失的一环。
敏感目标检测与掩膜生成
解析实景三维模型纹理贴图，提取纹理贴图集合并逐张输入 YOLOv11 目标检测网络，输出边界框像素坐标、类别标签与预测置信度所构成的多元组。设定全局置信度阈值 τ 对候选目标集合进行过滤以剔除误检，据此在原始纹理上生成二值化掩膜，掩膜中值为 1 的像素集合即代表需被抹除并修复的敏感区域。检测器选型依据是：YOLOv11 在参数量 9.4 M、计算量 21.5 B、GPU 推理延迟 2.5 ms 的条件下平均精度均值达 47.0，优于 Faster R-CNN 与 YOLOv5s。
基于 LaMa 的纹理重生成
将包含敏感区域的原始纹理贴图与其对应掩膜共同输入 LaMa 修复网络，在掩膜覆盖区域重生成自然连续像素，输出脱敏后的二维纹理集合。选择 LaMa 的原因在于其引入快速傅里叶卷积模块，赋予网络覆盖整张输入图像的全局感受视野，能够理解掩膜周边非敏感背景的纹理逻辑，从而克服 PatchMatch 等像素匹配算法在大面积敏感区域修复边缘产生重复纹理伪影的缺陷。
重心坐标系下的敏感目标三维定位
已知三角面片 3 个顶点的空间坐标与其二维纹理展开坐标，对掩膜内任意像素点求解其在纹理三角面片内的重心坐标分量 u、v、w，须满足 u+v+w=1 且三者非负的归一化与非负性约束。利用二维与三维空间在重心坐标系下的形变不变性，将分量代入三维网格做正向线性插值得到对应空间坐标，遍历全部有效像素后筛选出属于该敏感目标的三角面片集合。此策略避免了射线求交随面片规模指数增长的计算代价。
边界约束的局部网格压平
在敏感面片集合中提取全部顶点构成敏感顶点集，遍历其拓扑关系提取与非敏感区域相连的局部边界顶点集；以平面模型 z=ax+by+c 基于最小二乘法拟合局部基准平面并求取其单位法向量；以边界顶点集的几何中心为平面参考点，将内部敏感顶点沿法向投影至拟合平面完成坐标更新。全过程不改变网格拓扑结构，非敏感区域的顶点坐标、几何形态与拓扑连接关系均保持不变。
三种尺度、三类敏感目标的实验模型
实验选取来自 3 个不同区域的实景三维模型：模型 A 为高分辨率单体建筑模型，面积约 21 245.58 m²、节点数 307、文件 82 MB，含 27 个国家标志类敏感目标；模型 B 为具有明显高程起伏的密集高层商业街区，节点数 599、文件 185 MB，含 41 个商业标志类敏感目标；模型 C 为城市级大范围实景场景，节点数 51 191、文件 7 895 MB，含 619 个交通标志类与商业标志类目标。三组数据在场景规模与敏感目标类型上均具差异性。
两组对比算法与统一训练权重
对比算法 1 采用 YOLOv5 完成敏感纹理检测，结合非深度学习算法 PatchMatch 实现纹理重生成，且不处理几何特征，用于比较整体脱敏效果差异；对比算法 2 以本文方法为基础，采用相同的检测与修复方法但不执行三维网格压平，用以验证几何同步脱敏的必要性。检测与修复模块均以预训练模型为基础补充标注样本迁移学习，同配置算法共用同一组训练权重。硬件为 Windows 11、i7-13700、64 GB 内存、RTX 3090，算法以 C++ 与 Python 实现。
安全性提升与可用性维持的双向验证
安全性评价聚焦敏感目标能否在视觉与空间结构两个层面被有效消除，采用召回率衡量检测完整性、Hausdorff 距离衡量几何特征残留量；可用性评价则关注脱敏后纹理视觉与空间结构的自然连续性，采用 LPIPS 衡量重生成纹理与周边场景的感知差异、BGS 衡量脱敏区域边界相邻面片的几何过渡平滑度。四项指标构成安全与可用的双重约束。
YOLOv5 均低于 0.90
由 0.35~0.42 m 降至
网格连续性基本保持
累计耗时占比
| 检测算法 | 参数量 / M | 计算量 / B | CPU 推理延迟 / ms | GPU 推理延迟 / ms | 平均精度均值 / % |
|---|---|---|---|---|---|
| Faster R-CNN | 41.5 | 206.0 | > 500.0 | 45.0 | 30.6 |
| YOLOv5s | 7.2 | 16.5 | 120.7 | 2.5 | 37.4 |
| YOLOv11（本文选用） | 9.4 | 21.5 | 90.0 | 2.5 | 47.0 |
| 实验模型 | 算法1 召回率 | 算法2 召回率 | 本文召回率 | 算法1/2 几何残留 HD / m | 本文几何残留 HD / m |
|---|---|---|---|---|---|
| 模型 A（国家标志） | 0.86 | 0.95 | 0.95 | 0.35 | 0.012 |
| 模型 B（商业标志） | 0.82 | 0.94 | 0.94 | 0.38 | 0.018 |
| 模型 C（交通与商业标志） | 0.84 | 0.96 | 0.96 | 0.42 | 0.015 |
| 实验模型 | 算法1 LPIPS | 算法2 LPIPS | 本文 LPIPS | 算法1/2 BGS / ° | 本文 BGS / ° |
|---|---|---|---|---|---|
| 模型 A | 0.28 | 0.12 | 0.12 | 3.42 | 3.55 |
| 模型 B | 0.31 | 0.14 | 0.11 | 4.15 | 4.28 |
| 模型 C | 0.34 | 0.15 | 0.12 | 3.88 | 3.97 |
检测器升级直接降低敏感信息残留风险
算法 1 采用的 YOLOv5 在 3 个实验场景中召回率分别为 0.86、0.82、0.84，均低于 0.90，存在较明显漏检；改用 YOLOv11 后算法 2 与本文方法的召回率提升至 0.94 以上。由于漏检目标对应的敏感区域无法被有效脱敏，召回率的提升意味着脱敏区域的定位更加完整，从源头降低了敏感信息残留风险。
消融实验证实几何压平是安全性关键增量
算法 2 与本文方法共享相同的检测与修复模块，唯一差别是是否执行三维网格压平，二者 LPIPS 分别在 0.12~0.15 与 0.11~0.12 区间，感知质量接近；但几何残留 HD 却从 0.350、0.380、0.420 m 骤降至 0.012、0.018、0.015 m。可视化对比同样显示算法 1 与算法 2 脱敏后敏感目标的局部几何轮廓仍然保留，结构可识别性明显。
几何处理开销极低，具备城市级应用潜力
敏感目标检测与纹理重生成构成主要时间开销：模型 A、B 的纹理重生成耗时 26.18 s 与 34.70 s，占总处理时间 71.06% 与 63.80%；模型 C 因需遍历大量纹理影像，检测耗时达 1 484.54 s、占比 74.31%。而三维定位与局部网格压平在三组模型上累计仅 17.22 s，约占全部脱敏处理时间的 0.82%，未引入显著额外开销。
敏感纹理被修复后，其对应的三维几何轮廓仍完整保留，敏感目标在空间结构层面依然具备可识别性；只有把纹理重生成与局部网格压平耦合起来，才能真正降低脱敏目标的可识别性。
从二维纹理处理走向纹理几何一体脱敏
本文针对现有实景三维模型脱敏方法仅关注二维纹理处理、忽略空间几何轮廓的问题，提出几何与纹理协同脱敏方法，在 687 个敏感目标的三组实验中同时验证了安全性增益与可用性维持，并通过消融对比确认局部网格压平模块的独立贡献，为实景三维模型的安全共享与合规应用提供技术支撑。
重心坐标打通二维纹理与三维几何
引入具备仿射不变性的重心坐标系作为跨维度坐标转换的数学基准，利用同构的二维纹理展开面片与三维物理面片共享同一重心坐标分量约束这一特征，以正向线性插值替代高计算复杂度的空间射线求交，在数学上保证了敏感几何区域的精准定位，为局部压平提供了空间边界约束。
边界约束压平实现轮廓消除与拓扑保持
以敏感区域外围非敏感边界顶点最小二乘拟合局部参考平面，将内部敏感顶点沿平面法向投影更新，在保持周围区域整体几何趋势的前提下实现平滑过渡，避免直接删除或强制压平导致的网格断裂与几何突变。全过程不改变模型网格拓扑结构，非敏感区域的顶点坐标与拓扑连接关系均不变。
安全与可用双向指标得到同步验证
安全性上，召回率达 0.95、0.94、0.96，几何残留 HD 降至 0.012~0.018 m；可用性上，LPIPS 较算法 1 下降 0.12、0.11、0.12，BGS 相对未做几何处理的算法变化不超过 0.15°，表明局部网格压平在提升脱敏安全性的同时有效保持了网格边界连续性，保障数据拓扑可用。
面向城市级模型的安全共享与合规流通
方法直接作用于已建成的实景三维模型，无需重新进行三维重建，可覆盖敏感目标自动识别、局部纹理修复、二三维映射定位、几何压平与纹理回写等完整环节，适用于单体建筑、高层商业街区与城市级大范围场景等多种规模数据。三维定位与压平仅占 0.82% 的处理时间，使其具备在海量城市级模型上批量部署的工程可行性，为智慧城市中的数据合规流通提供技术底座。
三类误差来源与三条改进路线
方法安全性与可用性主要受三方面制约：复杂场景中的遮挡、光照变化、纹理畸变及小尺度目标可能导致漏检；纹理接缝、网格拓扑噪声和三角面片尺度差异可能影响三维定位精度；局部表面起伏较大或边界顶点数量不足时参考平面拟合可能产生偏差。未来将扩充复杂场景训练样本并引入数据增强与小样本学习，研究面向多源异构及超大规模模型的并行化脱敏算法，并针对高精度测绘级模型引入局部自适应压平策略，控制压平范围与顶点位移距离。