跳到主要内容

质量验证

模块: src-tauri/src/pipeline/validate.rs 函数: validate_scene(), validate_scene_with_alignment()

验证阶段对修复后的场景进行全面的质量检查，并生成包含评分、错误和警告的验证报告。

验证检查​

房间检查​

规则严重性描述
多边形点数 >= 3错误退化多边形
多边形闭合错误首尾点距离 > 1cm
无 NaN/Inf 坐标错误无效的坐标值
面积 >= 0.5 m^2错误房间过小
长宽比 <= 20:1警告极端长宽比
无自相交警告多边形边缘可能交叉
卧室面积 >= 3 m^2警告卧室过小
浴室面积 <= 30 m^2警告浴室异常偏大

墙体检查​

规则严重性描述
长度 >= 5cm警告墙段过短
room_refs 非空警告孤立墙体（未关联到任何房间）

开口检查​

规则严重性描述
wall_ref 存在错误开口未绑定到任何墙
wall_ref 有效错误引用了不存在的墙
门宽度 0.5-2.0m警告异常的门宽度
窗宽度 0.2-4.0m警告异常的窗宽度

比例检查​

规则严重性描述
总范围 >= 2m警告比例可能有误（过小）
总范围 <= 50m警告比例可能有误（过大）

评分计算​

总分​

let score = (1.0 - error_count * 0.15 - warning_count * 0.05).max(0.0).min(1.0);

每个错误降低 0.15 分，每个警告降低 0.05 分。限制在 [0, 1] 范围内。

子评分​

geometry_score​

基于房间/墙体/开口数量的启发式评分：

fn compute_geometry_score(scene) -> f64 {
    let mut score = 0.5;           // base for having rooms
    if walls > 0 { score += 0.2; }
    if openings > 0 { score += 0.15; }
    if walls >= rooms { score += 0.15; }
    score.min(1.0)
}
组成部分分值
有房间0.5
有墙体+0.2
有开口+0.15
墙体数 >= 房间数+0.15

semantic_score​

基于房间命名和类型标注的完整性：

fn compute_semantic_score(scene) -> f64 {
    let name_ratio = named_rooms / total_rooms;
    let type_ratio = typed_rooms / total_rooms;
    (name_ratio * 0.5 + type_ratio * 0.5).min(1.0)
}
  • named_rooms：名称不以 "Room " 开头的房间
  • typed_rooms：类型不是默认值 "living_room" 的房间

scale_score​

基于房间面积是否在合理范围内：

fn compute_scale_score(scene) -> f64 {
    // Rooms with area 1-100 m^2 are "reasonable"
    reasonable_count / total_rooms_with_area
}

image_alignment_score​

在混合模式下，来自 alignment.rs 模块的对齐评分。在传统模式下默认为 1.0。

图像对齐（混合管线）​

模块: src-tauri/src/pipeline/alignment.rs 函数: compute_alignment(wall_mask_path, plan_graph, image_width, image_height, pipeline_dir)

使用基于 BFS 的距离变换将 CV 墙体掩码与渲染的 PlanGraph 几何体进行比较。

算法​

  1. 渲染细线段：将 PlanGraph 墙段和面多边形边缘绘制为 1px 线条
  2. 从线段计算 BFS 距离：计算每个像素到最近线段像素的距离
  3. 从掩码计算 BFS 距离：计算每个像素到最近掩码像素的距离
  4. 容差：5 像素（典型墙宽的一半）

指标​

指标定义公式
wall_recall被线段覆盖的掩码像素比例mask_covered / mask_count
wall_precision被掩码覆盖的线段像素比例seg_valid / seg_count
wall_iou交并比both_covered / either_covered
overall加权组合0.3 * precision + 0.5 * recall + 0.2 * iou

召回率权重最高（0.5），因为遗漏墙体比多余墙体更严重。

对齐报告​

pub struct AlignmentScores {
    pub wall_iou: f64,
    pub wall_precision: f64,
    pub wall_recall: f64,
    pub overall: f64,
}

审查门控​

needs_user_review 标志在以下情况下设置：

let needs_user_review = error_count > 0.0 || image_alignment_score < 0.75;

注意：如果对齐度良好，仅警告不会触发审查。这可以防止因中心细分伪影（孤立墙体）导致的误报。

混合管线质量门控​

在混合管线中，家具规划受质量门控：

let should_plan_furniture = pq.geometry_score >= 0.8
    && pq.scale_score >= 0.9
    && pq.image_alignment_score >= 0.75
    && !pq.needs_user_review;

如果任何条件不满足，则跳过家具规划，以避免在解析错误的房间中放置家具。

验证报告输出​

{
  "valid": true,
  "score": 0.85,
  "errors": [],
  "warnings": [
    {
      "type": "small_bedroom",
      "message": "Bedroom '次卧' is only 2.8 m^2",
      "ids": ["room_3"]
    }
  ],
  "repair_actions": [
    "snapped 18 polygon vertex/vertices to nearby points",
    "closed 1 unclosed polygon(s)"
  ],
  "parse_quality": {
    "geometry_score": 0.90,
    "semantic_score": 0.80,
    "scale_score": 0.85,
    "image_alignment_score": 0.82,
    "needs_user_review": false
  },
  "image_alignment": {
    "wall_iou": 0.71,
    "wall_precision": 0.88,
    "wall_recall": 0.76,
    "overall": 0.82
  }
}

image_alignment 字段仅在混合模式下存在。

前端集成​

验证完成后，parse_quality 会被注入到 HomeSceneJSON 中：

{
  "rooms": [...],
  "walls": [...],
  "parse_quality": {
    "overall_score": 0.85,
    "geometry_score": 0.90,
    "semantic_score": 0.80,
    "scale_score": 0.85,
    "image_alignment_score": 0.82,
    "needs_user_review": false,
    "image_alignment": {
      "wall_iou": 0.71,
      "wall_precision": 0.88,
      "wall_recall": 0.76,
      "overall": 0.82
    }
  }
}

前端 SceneInspector 组件显示：

  • 评分进度条 -- 颜色编码：绿色（>= 80%）、黄色（>= 50%）、红色（< 50%）
  • 状态图标 -- 绿色对勾或黄色警告三角
  • 子评分 -- 几何、语义、比例、对齐
  • 对齐叠加层 -- CV 掩码与 PlanGraph 几何体的可视化对比

调试产物​

文件描述
validation_report.json完整的验证报告
rendered_structure_mask.png渲染为二值掩码的 PlanGraph 几何体
overlay_alignment.png颜色编码的对齐可视化（绿色=匹配，红色=缺失，蓝色=多余）