[論文レビュー] LineGraph2Road: Structural Graph Reasoning on Line Graphs for Road Network Extraction

Zi‐Jie Wei, Renzhi Jing+2 more|arXiv (Cornell University)|Feb 26, 2026

Automated Road and Building Extraction被引用数 0

ひとこと要約

LineGraph2Roadは、グローバルなスパースユークリッドグラフ上のエッジ分類として道路連結性を再定義し、ライングラフ Graph Transformerを用いて三つのベンチマークで最先端のトポロジー指標を達成する。オーバーパス/アンダーパス処理と結合NMS戦略も導入する。

ABSTRACT

The accurate and automatic extraction of roads from satellite imagery is critical for applications in navigation and urban planning, significantly reducing the need for manual annotation. Many existing methods decompose this task into keypoint extraction and connectedness prediction, but often struggle to capture long-range dependencies and complex topologies. Here, we propose LineGraph2Road, a framework that improves connectedness prediction by formulating it as binary classification over edges in a constructed global but sparse Euclidean graph, where nodes are keypoints extracted from segmentation masks and edges connect node pairs within a predefined distance threshold, representing potential road segments. To better learn structural link representation, we transform the original graph into its corresponding line graph and apply a Graph Transformer on it for connectedness prediction. This formulation overcomes the limitations of endpoint-embedding fusion on set-isomorphic links, enabling rich link representations and effective relational reasoning over the global structure. Additionally, we introduce an overpass/underpass head to resolve multi-level crossings and a coupled NMS strategy to preserve critical connections. We evaluate LineGraph2Road on three benchmarks: City-scale, SpaceNet, and Global-scale, and show that it achieves state-of-the-art results on two key metrics, TOPO-F1 and APLS. It also captures fine visual details critical for real-world deployment. We will make our code publicly available.

研究の動機と目的

• navigationと都市計画を支える高分解能衛星画像から自動的な道路網抽出を動機付ける。
• 局所のみの推論や完全連結グラフ推論の制約に対処するため、グローバルなスパースユークリッドグラフを提案する。
• 連結性の表現力を学習する新規ライングラフベースのグラフトランスフォーマを開発する。
• オーバーパス/アンダーパスヘッドによる多階層交差を扱い、Coupled NMSで接続を保持する。
• 複数ベンチマークで最先端性能を示し、公開コードを提供する。

提案手法

• SAMベースのキーポイント、道路、オーバーパス/アンダーパスマスクからCoupled NMSでグローバルだがスパースなユークリッドグラフを構築する。
• 距離閾値以内の頂点ペアを結ぶ候補エッジを形成し、エッジに沿って特徴をサンプリングする。
• グラフをそのライングラフへ変換し、エッジレベル予測をノード分類としてGraph Transformerで行う。
• ライングラフ上で3層のGraph Transformerを用いて長距離依存性と関係構造を捉える。
• マスクと連結性の共同損失で訓練する（マスクにはBCE、エッジの存在には損失を適用）。
• 任意でオーバーパス/アンダーパスの分割ヘッドを追加して多階層交差を扱う。

実験結果

リサーチクエスチョン

• RQ1 グローバルなスパースユークリッドグラフとライングラフベースの関係推論は、局所的または密な注意機構より道路連結予測を改善できるか。
• RQ2 ライングラフ上のGraph Transformerを適用することで、従来のエンドポイント埋め込みよりエッジ連結性のよりリッチな構造表現を得られるか。
• RQ3 オーバーパス/アンダーパスの交差を明示的にモデル化することは連結精度にどのような影響を与えるか。
• RQ4 Coupled NMSの頂点抽出とその後のグラフ連結性に与える影響はどれほどか。
• RQ5 提案された構成要素はCity-scale、SpaceNet、Global-scaleデータセットでTOPO-F1とAPLSのトポロジー指標を改善するか。

主な発見

Method	City-scale Prec.	City-scale Rec.	City-scale F1	City-scale APLS	SpaceNet Prec.	SpaceNet Rec.	SpaceNet F1	SpaceNet APLS
Ours	91.09	75.44	82.37	68.88	92.82	77.11	84.24	73.94
Ours w/ Overpass	92.75	76.64	83.77	70.40	93.50	76.38	84.08	73.36

• オーバーパスヘッド付きLineGraph2RoadはCity-scaleで最先端のTOPO指標とAPLSを達成。
• オーバーパスヘッドなしLineGraph2RoadはSpaceNetで精度と再現率の最良のバランスを達成し、強力なAPLSを示す。
• Global-scaleのインドメインテストではLineGraph2Roadが最高の再現率、F1、APLSを示し、特にAPLSを68.70へ大幅に向上させる。
• アブレーション実験で事前学習済みSAM、ライングラフ変換、およびGraph Transformerが高性能に不可欠であることを示す。
• ライングラフの定式化は、元のグラフ構造上でGraph Transformerを適用するよりも連結予測に優れている。