[论文解读] 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 0

一句话总结

LineGraph2Road 使用线图推理在全球稀疏图上提取道路网络，针对 City-scale、SpaceNet 和 Global-scale 数据集在 TOPO-F1 和 APLS 上达到顶尖表现，并引入高架/地下处理与耦合 NMS。

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.

研究动机与目标

• 促使从高分辨率卫星图像自动提取道路网络，以支持导航与城市规划。
• 通过提出全球稀疏欧几里得图来解决仅局部推理与全连接图推理的局限性。
• 开发一种新颖的基于线图的图 Transformer，以学习具表达力的结构性边表示以实现连通性。
• 通过高架/地下头来处理多层次交叉，并通过耦合 NMS 保持连接关系。
• 在多个基准数据集上展示最先进的性能并提供公开代码。

提出的方法

• 从基于 SAM 的关键点、道路和高架/地下掩膜构建全局但稀疏的欧几里得图，使用耦合 NMS。
• 通过在距离阈值内连接顶点对来形成候选边，并对边沿采样特征。
• 将图转换为其线图，将边级预测视为节点分类并使用图 Transformer。
• 在线图上使用三层 Graph Transformer 以捕捉远程依赖和关系结构。
• 用对掩膜和连通性的联合损失进行训练（掩膜用 BCE，边存在用）。
• 可选地加入高架/地下分割头以处理多层交叉。

实验结果

研究问题

• RQ1 全局稀疏欧几里得图结合基于线图的关系推理，是否能在道路连通性预测上优于局部或密集注意力方法？
• RQ2 在线图上应用 Graph Transformer 是否比传统端点嵌入为边的连通性提供更丰富的结构表示？
• RQ3 对高架/地下跨越的显式建模如何影响连通性精度？
• RQ4 耦合 NMS 对顶点提取及后续边连通性有何影响？
• RQ5 所提出的组件是否在 City-scale、SpaceNet 和 Global-scale 数据集上提升拓扑指标 TOPO-F1 和 APLS？

主要发现

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

• 有高架头的 LineGraph2Road 在 City-scale 上达到最先进的 TOPO 指标和 APLS。
• 无高架头的 LineGraph2Road 在 SpaceNet 上实现最佳的精度-召回平衡，且 APLS 表现突出。
• 在 Global-scale 内部测试中，LineGraph2Road 具有最高的召回率、F1 和 APLS， notably 将 APLS 提升至 68.70。
• 消融实验表明，预训练的 SAM、线图变换和 Graph Transformer 对出色性能至关重要。
• 线图表述在连通性预测上优于在原始图结构上直接应用 Graph Transformer 的方法。