1.基于点云三维重建的建筑设计与分析方法，其特征在于，包括以下步骤：

步骤S1：采集房屋建筑物外立面点云数据，对采集的房屋建筑物外立面点云数据进行预处理，获得干净的房屋建筑物外立面点云；

步骤S2：使用改进的FusionVit多模态深度学习网络作为室内场景推测网络，输入干净的房屋建筑物外立面点云和CAD图像，对室内场景推测网络进行训练，得到室内场景推测模型；

在步骤S2中，所述改进的FusionVit多模态深度学习网络包括CameraViT网络、LidarViT网络、MixViT网络与3D‑GANs网络，室内场景推测网络训练过程如下：步骤S21：利用CameraViT网络将带有RGB信息的CAD图像分割成多个块，并将每个块展平成一维向量，将一维向量序列拼接为一个矩阵，对一维向量增加一个表示其在原始图像中相对位置的位置嵌入，之后拼接一个用于分类的token，得到添加位置嵌入的序列特征矩阵，通过图像Transformer编码器进行编码，得到图像特征；

步骤S22：利用LidarViT网络将干净的房屋建筑物外立面点云分割成多个立方体并剔除空立方体，保留非空立方体，对非空立方体进行随机采样，然后将采样处理得到的立方体展平成一维向量，将一维向量序列拼接为一个序列特征矩阵，对每个一维向量增加一个表示其在原始点云中相对位置的位置嵌入，之后再拼接一个用于分类的token，得到添加位置嵌入后的序列特征矩阵，通过点云Transformer编码器进行编码，得到点云特征；

步骤S23：利用MixViT网络将CameraViT网络和LidarViT网络提取的二维的图像特征和三维的点云特征通过拼接操作进行融合，并通过MLP生成融合后的特征表示；

步骤S24：将MixViT网络输出的融合后的特征表示输入到3D‑GANs对抗生成网络中进行对抗训练，得到训练后满足性能指标的室内场景推测模型；

步骤S3：将需要推测室内场景的干净的房屋建筑物外立面点云和对应的CAD图像输入到室内场景推测模型，使用室内场景推测模型进行室内场景图像的预测生成，得到多视角的室内场景图像；

步骤S4：根据多视角的室内场景图像恢复出房屋建筑物的室内场景点云，然后将房屋建筑物的室内场景点云与原始的干净的房屋建筑物外立面点云进行融合，得到包含房屋建筑物的室内外完整3D结构的点云；

步骤S5：基于包含房屋建筑物的室内外完整3D结构的点云，使用建模软件进行房屋建筑物建模。

2.根据权利要求1所述的基于点云三维重建的建筑设计与分析方法，其特征在于，在所述步骤S1中，具体处理过程如下：步骤S11：对房屋建筑物周围环境踏勘，规划房屋建筑物外部架站式扫描站点；

步骤S12：对于小于设定高度的房屋建筑物，使用架站式三维激光扫描仪对房屋建筑物外立面进行扫描，获取房屋建筑物外立面点云数据；

步骤S13：对于大于等于设定高度的房屋建筑物，使用无人机搭载三维激光扫描仪对房屋建筑物外立面进行扫描，获取房屋建筑物外立面点云数据；

步骤S14：对房屋建筑物外立面点云数据使用ICP算法进行配准，得到配准后的房屋建筑物外表立面点云，然后使用布料滤波算法滤除地面点云，再使用CloudCompare软件进行降噪、裁剪，最后获取干净的房屋建筑物外立面点云。

3.根据权利要求1所述的基于点云三维重建的建筑设计与分析方法，其特征在于，在所述步骤S21中，具体处理过程如下：S211：将房屋建筑物的带有RGB信息的CAD图像输入CameraViT网络并定义图像尺寸；

S212：CameraViT网络将带有RGB信息的CAD图像分割成多个块，将块展平并输入到多层感知机中进行处理，得到多个一维向量，将一维向量拼接为一个矩阵；

S213：在多个一维向量组成的矩阵中嵌入一个可学习的参数Ec，引入一个可学习的class_token，初始化为零向量，添加到矩阵的开始位置，然后将位置嵌入 添加到矩阵中以保留位置信息，得到第一序列特征矩阵；其中，位置嵌入 为每个块在图像网格中的行和列索引以及块在图像全局坐标系中的位置信息；

S214：将第一序列特征矩阵输入到图像Transformer编码器中进行编码，得到图像特征。

4.根据权利要求3所述的基于点云三维重建的建筑设计与分析方法，其特征在于，在所述步骤S214中，图像Transformer编码器包括多个Transformer层，每个Transformer层包括多个交替的MSA块和MLP块，在每个MSA块、MLP块之前均进行层归一化处理。

5.根据权利要求3所述的基于点云三维重建的建筑设计与分析方法，其特征在于，在所述步骤S22中，具体处理过程如下：S221：对干净的房屋建筑物外立面点云进行分割，得到多个立方体并剔除空立方体，保留非空立方体；

S222：对保留下来的非空立方体进行固定采样数量的随机采样，得到采样后的非空立方体；

S223：对于每个非空立方体中点云数据集合，包含t个点云数据点，然后计算各非空立方体内部点云数据点的三维坐标均值作为局部均值，即所有点的质心，并计算每个点云数据点在三轴位置上相对于质心的偏移量，并将其加入到非空立方体中点云数据集合中，形成输入特征集，在输入特征集中，每个非空立方体的各点云数据点包括6个坐标，前三个坐标是非空立方体中各点云数据点的原始坐标，后三个坐标是各点云数据点相对于质心的偏移量；

S224：上述步骤S223中各非空立方体的坐标数据经过特征编码和转换后，得到一组编码特征，即得到一维向量序列，将一维向量序列拼接为一个序列特征矩阵，在矩阵中嵌入一个可学习的参数El，引入一个可学习的class_token，初始化为零向量，添加到矩阵的开始位置，然后将位置嵌入 添加到矩阵中以保留位置信息，得到添加位置嵌入后的第二序列特征矩阵，其中，位置嵌入 为每个非空立方体在原始点云所在三维空间网格中的位置坐标；

S225：第二序列特征矩阵通过点云Transformer编码器进行编码，得到点云特征。

6.根据权利要求5所述的基于点云三维重建的建筑设计与分析方法，其特征在于，在所述步骤S224中，点云Transformer编码器包括多个Transformer层，每个Transformer层均包括MLP、FCN与MaxPooling层，所述MLP、FCN与MaxPooling层依次连接。

7.根据权利要求1所述的基于点云三维重建的建筑设计与分析方法，其特征在于，在所述步骤S3中，根据多视角的室内场景图像，通过运动结构恢复算法SFM重建稀疏点云，再用多视角立体视觉方法重建稠密点云，进而得到房屋建筑物室内场景点云。

8.根据权利要求1所述的基于点云三维重建的建筑设计与分析方法，其特征在于，在所述步骤S3中，将房屋建筑物室内场景点云与原始的干净的房屋建筑物外立面点云进行融合的具体过程：S31：先使用CloudCompare软件对原始的干净的房屋建筑物外立面点云和房屋建筑物室内场景点云进行手动的粗配准；

S32：然后使用ICP算法进行精配准，得到包含室内外完整3D结构的点云。

9.根据权利要求1所述的基于点云三维重建的建筑设计与分析方法，其特征在于，在步骤S4中，房屋建筑物建模的具体过程为将包含室内外完整3D结构的点云导入建模软件中，利用切片、裁剪、量取距离方式对点云模型进行建模，生成BIM模型。