Bewertung des Zero-Shot-Potenzials von Vision-Language-Modellen für die Extraktion semantischer Gebäudeattribute

Kurzfassung

Zur Bewertung des Zero-Shot-Potenzials moderner Vision-Language-Modelle für die automatische Ableitung semantischer Gebäudeattribute wird ein Benchmark-Datensatz entwickelt, der reale Street-View-Aufnahmen Bonns mit ALKIS-, LoD2- und manuell erhobenen Referenzdaten kombiniert und durch öffentliche Fassadendatensätze aus Europa und China ergänzt. Eine systematische Evaluation von Open-Source-VLMs (InternVL2.5/3.5, Qwen2.5-VL, LLaVA-OneVision) unter variierenden Prompting-Strategien zeigt, dass Fassadenmaterial und Geschossanzahl mit bis zu 83 % bzw. 92 % Genauigkeit zuverlässig extrahiert werden können, während Gebäudetyp und Dachform deutlich herausfordernder bleiben. Die Ergebnisse unterstreichen das Potenzial von VLMs zur semantischen Anreicherung urbaner Geodaten für digitale Zwillinge, verdeutlichen aber zugleich die Grenzen eines robusten Zero-Shot-Einsatzes unter realen urbanen Aufnahmebedingungen.