本文深入研究城市場景幾何-紋理耦合捕獲問題，提出一種空中路徑規(guī)劃解決方案。具體而言，本課題致力于生成兼顧紋理和幾何質(zhì)量的視點(diǎn)，在最大程度降低視點(diǎn)冗余度的同時，全面提升建筑質(zhì)量，實(shí)現(xiàn)城市環(huán)境中結(jié)構(gòu)化幾何與紋理的高精度重建，最終達(dá)成以低成本生成逼真城市場景的目標(biāo)。

論文標(biāo)題： Aerial Path Planning for Urban Geometry and Texture Co-Capture 論文鏈接： https://arxiv.org/abs/2509.22227 項(xiàng)目主頁： https://vcc.tech/research/2025/DroneTex

近年來，在獲得足夠場地信息的前提下，圖像采集與場景重建技術(shù)已經(jīng)可以依據(jù)場地?cái)?shù)據(jù)構(gòu)建高質(zhì)量的孿生城市三維模型。然而，現(xiàn)有采集技術(shù)往往忽視紋理質(zhì)量在模型真實(shí)感中起到的關(guān)鍵作用，導(dǎo)致紋理映射后的結(jié)構(gòu)化模型常常具有明顯的視覺問題。針對場地先驗(yàn)知識有限的情況，本研究首次提出城市場景幾何-紋理耦合捕獲問題。本文旨在使用無人機(jī)采集高質(zhì)量場景圖像，用以重建結(jié)構(gòu)化幾何與高保真紋理。

本文構(gòu)建了一種面向帶紋理結(jié)構(gòu)化模型的數(shù)據(jù)采集重建框架，僅需要目標(biāo)區(qū)域的二維建筑輪廓圖及安全飛行高度作為輸入。首先，本文構(gòu)建了一個綜合紋理質(zhì)量評估體系，包含兩項(xiàng)建筑立面指標(biāo)，用以指導(dǎo)無人機(jī)視點(diǎn)的規(guī)劃。然后，其提出一種無人機(jī)路徑規(guī)劃方法，通過生成垂直下探視點(diǎn)與三維平面視點(diǎn)耦合獲取場景幾何與紋理細(xì)節(jié)，進(jìn)而采用多目標(biāo)優(yōu)化策略，在最大化紋理保真度、提升幾何精度的同時降低航拍成本。此外，本文還開發(fā)了一種兼顧紋理一致性的序列化路徑規(guī)劃算法。本文構(gòu)建了不同風(fēng)格與復(fù)雜度的合成與真實(shí)城市數(shù)據(jù)集，在數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文提出的方法可以有效采集用于重建高質(zhì)量幾何與紋理的航拍圖像集，并以較低成本構(gòu)建高保真的帶紋理城市代理模型。

二、技術(shù)貢獻(xiàn) ?

本工作主要貢獻(xiàn)如下：

• 首次提出幾何-紋理耦合捕獲問題，并提出了一種新的復(fù)雜城市重建框架，在僅有場景二維底圖和預(yù)定義的安全飛行高度數(shù)據(jù)的前提下，規(guī)劃無人機(jī)圖像采集路徑用以重建高質(zhì)量帶紋理的三維結(jié)構(gòu)化模型；

• 提出了一種紋理質(zhì)量評估體系，用于預(yù)測依據(jù)所規(guī)劃視點(diǎn)采集的圖像作為立面紋理圖時的質(zhì)量。給定一張二維底圖和一組二維視點(diǎn)，本文提出了一個用于量化所重建立面紋理質(zhì)量的指標(biāo)，以及一個用于評估每個視點(diǎn)對立面紋理質(zhì)量貢獻(xiàn)程度的指標(biāo)；

• 提出了一種多目標(biāo)視點(diǎn)規(guī)劃算法，只捕獲少量剛需照片，以較低成本構(gòu)建高質(zhì)量的代理模型和紋理圖。

本文主要構(gòu)建了一套用于高效耦合采集幾何與紋理照片的無人機(jī)路徑規(guī)劃框架，旨在生成具有真實(shí)紋理的建筑場景。該框架以輸入的二維輪廓圖和無人機(jī)安全高度為基礎(chǔ)，首先借助二維多邊形生成面向立面紋理的下探視點(diǎn)，之后，在幾何質(zhì)量指標(biāo)的引導(dǎo)下，生成面向建筑幾何的傾斜視點(diǎn)。將這兩種視點(diǎn)進(jìn)行組合，進(jìn)而生成適用于三維建筑場景的3D視點(diǎn)。通過算法生成3D視點(diǎn)后，進(jìn)行如今規(guī)劃得到無人機(jī)拍攝的路徑。按照規(guī)劃好的路徑，無人機(jī)可采集到高質(zhì)量的照片集?；谶@些照片，便可開展三維重建工作，生成結(jié)構(gòu)化模型，并為模型進(jìn)行紋理貼圖，最終呈現(xiàn)出具有真實(shí)紋理的建筑場景。

圖1 整體框架圖

總體框架

本文框架注重城市建筑的紋理與幾何質(zhì)量。通過引入新型度量與優(yōu)化策略，以及多目標(biāo)視圖規(guī)劃算法，能夠生成高質(zhì)量的紋理和幾何模型。在紋理重建方面，能夠生成高清、正對、視角一致且有利于結(jié)構(gòu)保持的紋理圖；在幾何重建方面，能夠精確還原場景幾何結(jié)構(gòu)，確保三維重建的完整性和準(zhǔn)確性。

紋理質(zhì)量評價(jià)

在下探點(diǎn)規(guī)劃階段，給定一組初始的2D視點(diǎn)，本文方法需要預(yù)測該組視點(diǎn)所合成紋理的質(zhì)量。為此，本文定義了一個質(zhì)量系統(tǒng)，用來衡量給定輸入有限信息的結(jié)果紋理質(zhì)量。

1. 透視質(zhì)量 ：衡量觀看平面 的視點(diǎn)方向集 的一致性，以及視點(diǎn)方向針對立面的正對性。 為觀測到平面 的視點(diǎn)集。

其中， , 為視點(diǎn)集 的數(shù)量, 為 得平均視線方向， 為 的法向量。

2. 光度質(zhì)量 ：度量紋理清晰度以及分辨率一致的質(zhì)量項(xiàng)，幫助生成的紋理更加清晰真實(shí)，并幫助采集的圖片分辨率趨于一致:

其中， 為視點(diǎn)沿著視線方向到平面的距離。 ， 和 分別為拍攝距離的最大和最小距離， 為 視點(diǎn)拍攝的平均距離， 。

3. 結(jié)構(gòu)質(zhì)量 ：如圖2所示，為了測量立面結(jié)構(gòu)的一致性，將每個視點(diǎn) 觀察到平面的唯一率來作為結(jié)構(gòu)質(zhì)量的度量，定義為： 。 本文希望各個視點(diǎn)可見區(qū)域之間的重疊程度較小。

圖2 視點(diǎn)觀測平面示意圖

4. 完整度 ：質(zhì)量系統(tǒng)使用視點(diǎn)集 觀測到平面 長度區(qū)域的覆蓋率： ，衡量視點(diǎn)集對觀測平面的完整度（如圖2所示）。其中， 為 的長度， 為只有視點(diǎn) 能觀測到 的長度范圍， 為所有觀測到 的視點(diǎn)范圍長度。按照上述質(zhì)量系統(tǒng)，本文引入了兩個指標(biāo)來指導(dǎo)整個規(guī)劃過程。 為視點(diǎn)對平面紋理質(zhì)量的貢獻(xiàn)指標(biāo)，計(jì)算方程為：

其中， ， ， ， 。 是表示平面紋理質(zhì)量的度量，計(jì)算方程為：

下探視點(diǎn)選擇

在提出紋理質(zhì)量評價(jià)系統(tǒng)后，本文在目標(biāo)二維區(qū)域內(nèi)生成一小組高質(zhì)量的二維傾斜視圖。然而，在二維空間中，適當(dāng)確定少量視圖及其位置和觀察方向以最大化立面紋理質(zhì)量仍然非常具有挑戰(zhàn)性，尤其是在遮擋和不確定性普遍存在的復(fù)雜城市環(huán)境中。

圖3 視點(diǎn)初始化與視點(diǎn)平面示意圖

圖4 視點(diǎn)方向與視點(diǎn)平面觀測示意圖

如圖3(a)所示，先對2D視圖初始化生成密集采樣點(diǎn)；(b)圖中根據(jù)建筑區(qū)域進(jìn)行安全過濾，剔除建筑周邊 “禁飛區(qū)”（以建筑輪廓膨脹安全距離得到），保留下探視點(diǎn)。

可見性分析：對每個候選點(diǎn)，計(jì)算其可觀測的立面及區(qū)域（避免遮擋）。

方向與位置篩選：

• 方向：為每個立面選擇 “接近法線方向” 的視圖方向（最大化透視正面性）；

• 位置：通過迭代移除低質(zhì)量點(diǎn)（基于視點(diǎn) - 立面質(zhì)量求和），直到移除會導(dǎo)致立面完整性下降，最終保留少量高覆蓋、高貢獻(xiàn)的2D下探點(diǎn)（如圖4中間所示）。

視點(diǎn)-立面質(zhì)量求和公式：

其中 為視點(diǎn)， 為視點(diǎn) 觀測到的平面集， 為 觀測平面 的方向。

3D視圖生成-縱向采樣

圖5 3D視點(diǎn)采樣示意圖

垂直序列保證紋理連續(xù)性，將每個 2D 下探點(diǎn)沿垂直方向（從安全高度 H向下）生成視圖序列，相鄰視圖間隔為： ，其中：

為視點(diǎn)到建筑立面的距離， 和 分別是所使用的相機(jī)傳感器焦距和高度，確保紋理重疊度與完整性。例如，單個下探點(diǎn)可生成覆蓋整棟建筑立面的垂直視圖序列（如圖5所示），且所有視圖保持一致的觀測方向（保證透視一致性）。

下探視點(diǎn)的多目標(biāo)優(yōu)化

根據(jù)上述的紋理質(zhì)量評價(jià)系統(tǒng)以及3D視點(diǎn)（后續(xù)叫做懸停點(diǎn)）采樣規(guī)則，可以設(shè)計(jì)計(jì)算每個視點(diǎn)成本的方程，通過計(jì)算懸停點(diǎn)的總數(shù)來計(jì)算下探點(diǎn) 的成本，然后使用高斯函數(shù)來定義每個下探點(diǎn)的合并程度，距離越近的兩個懸停點(diǎn)，合并程度越高，會將其合并，因而成本就相對變低，所以下探點(diǎn)成本C的計(jì)算方程為：

其中， 確保建筑立面的覆蓋度， 為高斯函數(shù)， ， 。 為 的縱向采樣生成的懸停點(diǎn)總數(shù)。

與此同時，在場景重建與優(yōu)化的任務(wù)中，本文目標(biāo)面臨著同時降低成本以及提升場景中立面質(zhì)量的雙重挑戰(zhàn)。為應(yīng)對這一復(fù)雜問題，本文將其轉(zhuǎn)化為多目標(biāo)優(yōu)化問題進(jìn)行求解。相較于直接移動單個3D視點(diǎn)，這種操作不僅容易導(dǎo)致紋理質(zhì)量下降，而且在實(shí)際控制中存在較大難度。本文創(chuàng)新性地提出，先對2D視點(diǎn)進(jìn)行調(diào)整，隨后將其拓展至3D空間。在這個過程中，所有2D下探視點(diǎn)的位置和觀察方向被設(shè)定為變量。對于能夠觀測到立面的情況，其致力于最小化以下目標(biāo)函數(shù)向量：

其中， 為2D下探視點(diǎn)與其方向， 為當(dāng)前2D視點(diǎn)在方向 下可以觀察到的平面集合。

3D平面視點(diǎn)

在完成面向紋理的下探視點(diǎn)生成與優(yōu)化后，僅依靠這些下探視點(diǎn)，尚無法實(shí)現(xiàn)場景建筑幾何結(jié)構(gòu)的有效重建。因此，本文加入了生成一組3D視點(diǎn)這一步驟，這些視點(diǎn)為傾斜攝影視點(diǎn)，采用五鏡頭無人機(jī)拍攝，同時拍攝五個方向的照片，旨在進(jìn)一步完成屋頂與地面紋理的重建，同時實(shí)現(xiàn)場景幾何的精確還原，保證視點(diǎn)視線覆蓋整個規(guī)劃區(qū)域。

圖6 平面3D視點(diǎn)優(yōu)化前后對比示意圖

下探視圖雖能獲取高質(zhì)量立面紋理，但因視角單一無法滿足幾何重建的 “多視圖差異” 需求，且未覆蓋地面與屋頂。因此，本文設(shè)計(jì)平面視圖的主要目標(biāo)包括：

1. 幾何重建：提供多視角觀測，保證密集幾何精度；

2. 紋理補(bǔ)充：獲取地面與屋頂?shù)母咄敢曎|(zhì)量紋理。

其實(shí)現(xiàn)步驟如下：

初始化：將2D地圖的密集采樣點(diǎn)提升至安全高度 H，每個點(diǎn)生成5個視圖（1個垂直向下拍地面/屋頂，4個傾斜拍建筑，如圖6上所示）；

多目標(biāo)優(yōu)化：通過 “位置調(diào)整+冗余移除” 減少懸停點(diǎn)；

位置調(diào)整：搜索候選點(diǎn)周邊區(qū)域，選擇 “幾何重建性+ 紋理質(zhì)量(地面 / 屋頂)”與“懸停成本” 最優(yōu)的位置；

冗余移除：迭代刪除最冗余的視圖（基于幾何重建冗余度計(jì)算），直到移除會導(dǎo)致幾何覆蓋不足或重建精度下降。優(yōu)化后，平面視圖密度在建筑周邊更高（保證幾何精度），整體數(shù)量大幅減少（降低成本），如圖6所示。

多目標(biāo)優(yōu)化公式為：

其中， 為視點(diǎn)提供的可重建性質(zhì)量， 為地面屋頂紋理質(zhì)量， 為3D懸停點(diǎn)的個數(shù)。在經(jīng)過上述多次迭代之后，得到一組下探視點(diǎn)以及一組平面3D視點(diǎn)。使得無人機(jī)采集的圖像既能滿足紋理重建，又滿足幾何重建，同時又考慮到成本最小化。

路徑規(guī)劃

在完成3D視點(diǎn)的生成與優(yōu)化工作后，這些3D視點(diǎn)將作為無人機(jī)的拍攝位置。文章本節(jié)的最終任務(wù)是規(guī)劃出一條連續(xù)的無人機(jī)的拍攝路線，把這些視點(diǎn)連接起來，以便耦合捕獲目標(biāo)場景的幾何和紋理信息。本文將此空中路徑規(guī)劃問題，表述為一個標(biāo)準(zhǔn)的旅行商問題。假設(shè)有一個圖，圖中的節(jié)點(diǎn)代表各個視點(diǎn)，邊則連接著每一對節(jié)點(diǎn)。TSP的目標(biāo)就是在這樣的圖中，找到一條訪問每個節(jié)點(diǎn)且代價(jià)最小的軌跡。

為了實(shí)現(xiàn)空中路徑規(guī)劃，本文把這些3D視點(diǎn)構(gòu)建成一個全連通圖，每個視點(diǎn)對應(yīng)圖中的一個節(jié)點(diǎn)，任意一對節(jié)點(diǎn)之間都有邊相連。在此基礎(chǔ)上，本文需要考慮碰撞檢測，安全問題，在所有視點(diǎn)對之間，找出一條最短的安全路徑。值得注意的是，如果兩個相鄰視圖沒有連續(xù)拍攝，拍攝時間內(nèi)的環(huán)境照明很可能發(fā)生較大變化，進(jìn)而導(dǎo)致照片出現(xiàn)光度不一致的問題，比如陰影、陽光顏色差異等。因此，考慮到兩個視點(diǎn)之間的方向變化和拓?fù)潢P(guān)系，對于連接視點(diǎn)對 的邊定義的代價(jià)函數(shù)為：

其中， 是視點(diǎn)（ ， ）之間的鄰接關(guān)系權(quán)重。當(dāng)視點(diǎn)拍攝同一平面時， ，當(dāng)視點(diǎn)相鄰平面時， ，其他情況 。 是（ ， ）之間的直線距離。 是（ ， ）之間視線方向夾角。

四、部分結(jié)果展示

本文在比較不同無人機(jī)路徑規(guī)劃方法所采集圖片的定量對比，如下表所示，該方法與先前方法相比，在視圖數(shù)量，懸停點(diǎn)數(shù)以及無人機(jī)路徑軌跡長度這三項(xiàng)量化指標(biāo)上本文方法在整體上有更優(yōu)的表現(xiàn)，且在稠密模型和簡化模型重建的誤差與完整度，本文方法以更少的懸停點(diǎn)，更少的路徑，得到誤差更小，完整度更高的效果，如圖7所示：

表1 不同無人機(jī)路徑規(guī)劃方法的定量比較

圖7 不同方法重建的幾何對比

下圖聚焦建筑模型重建任務(wù)，對比了本文方法與已有方法在 “紋理質(zhì)量” “稠密幾何精度” “簡化模型細(xì)節(jié)保留” 三個核心特征上的重建效果。為了更清晰地凸顯差異，圖中不僅對各特征的局部關(guān)鍵細(xì)節(jié)（比如紋理的清晰度、稠密幾何的結(jié)構(gòu)完整性、簡化模型的細(xì)節(jié)還原度）進(jìn)行了放大展示，還通過渲染圖的color_map將重建誤差直觀可視化 —— 這種color_map能讓誤差大小一目了然，顏色差異越顯著，就代表對應(yīng)區(qū)域的重建誤差越大。從整體對比結(jié)果來看，本文方法在這三個特征上的表現(xiàn)更為均衡且出色：既能保證紋理的真實(shí)感，又能提升稠密幾何的還原精度，還能較好保留簡化模型的核心細(xì)節(jié)，綜合性能相對優(yōu)于其他已有方法。

圖8 各個階段的渲染對比示意圖

接下來，圖9展示的是在本文在四個虛擬場景中不同方法的紋理貼圖的對比，在第八行的前四列可以看到在SN-1這個場景中，本文方法紋理重建結(jié)果明顯比另外兩種方法視角正對，同時較為明顯對比還有第三行的前四列中可以得到體現(xiàn)：

圖9 虛擬場景結(jié)果示意圖

完成虛擬場景實(shí)驗(yàn)后，本文進(jìn)一步在多個真實(shí)場景中開展了數(shù)據(jù)采集與模型重建工作，并重點(diǎn)對比了不同方法的紋理重建效果。在定性對比上，圖10第8行的紋理細(xì)節(jié)中，本文方法無論是紋理清晰度（如建筑表面紋路、裝飾細(xì)節(jié)的還原度），還是視角正對性（視圖與建筑表面的正面貼合程度），表現(xiàn)都優(yōu)于OP、DS 兩種方法；再看圖11第三行的對比，本文方法在 “視角一致性”（不同區(qū)域的視圖方向更統(tǒng)一）和視角正對性上的優(yōu)勢同樣明顯，能有效避免紋理出現(xiàn)視角偏移或扭曲。

定量對比結(jié)果則集中在表2中：針對四個真實(shí)場景的紋理質(zhì)量，從SSIM（結(jié)構(gòu)相似性，數(shù)值越高說明紋理與真實(shí)場景越接近）和LPIPS（感知誤差，數(shù)值越低說明紋理視覺效果越自然）兩個核心指標(biāo)來看，本文方法對大部分紋理的重建效果都更具優(yōu)勢。更關(guān)鍵的是，在保證上述高質(zhì)量重建效果的前提下，本文方法所需的視圖采集數(shù)量更少，且采集路徑長度也更短 ，這意味著它在實(shí)際場景應(yīng)用中，能以更低的采集成本和更高的效率完成重建。

圖10 真實(shí)場景結(jié)果示意圖

圖11 真實(shí)場景結(jié)果示意圖

表2 四個真實(shí)場景的定量比較

五、總結(jié)與展望

該論文針對無人機(jī)城市重建中 “幾何與紋理脫節(jié)” 的核心痛點(diǎn)，提出了一套從 “質(zhì)量評估 - 視圖規(guī)劃 - 路徑優(yōu)化 - 場景重建” 的完整解決方案。其創(chuàng)新之處在于：以 “耦合捕獲城市場景的幾何與紋理信息” 為目標(biāo)，通過精細(xì)化的視圖設(shè)計(jì)與多目標(biāo)優(yōu)化，在有限先驗(yàn)條件下實(shí)現(xiàn)了 “高質(zhì)量紋理 + 高精度幾何 + 低飛行成本” 的三重平衡。實(shí)驗(yàn)表明，該方法在真實(shí)與合成場景中均顯著優(yōu)于主流方法，為大規(guī)模城市數(shù)字化、智能交通場景重建等應(yīng)用提供了高效可行的技術(shù)路徑。

六、思考與討論

Q: 本文方法會不會有拍攝不全導(dǎo)致重建不完整的問題？

A: 盡管論文提出了完整的質(zhì)量評價(jià)體系，但由于無人機(jī)采集圖像時需要關(guān)注安全區(qū)域，所以在一些極端復(fù)雜的場景中可能會有拍攝不全的情況發(fā)生。

Q: 本文方法對地勢不一致的場景規(guī)劃視點(diǎn)是否有問題？

A: 本文在地勢不平（例如，山丘）的特殊場景上面會出現(xiàn)此類問題，這是本文方法的一個局限性。

下圖展示了本文方法在山丘場景中的視點(diǎn)規(guī)劃結(jié)果：

1.無準(zhǔn)確地形高度信息時：由于無法判斷地形的實(shí)際高低（如哪些區(qū)域低、哪些區(qū)域高），為避免碰撞風(fēng)險(xiǎn)，本文方法只能在 “安全高度以上” 布置紅色下探視點(diǎn)；

2.有充足地形高度信息時：通過地形高度的顏色編碼（藍(lán)色代表低海拔、紅色代表高海拔），可精準(zhǔn)判斷安全區(qū)域，因此能在 “安全高度以下” 額外布置綠色下探視點(diǎn)。

圖12 地勢不平場景視點(diǎn)規(guī)劃示意圖

以下是開放性問題，歡迎讀者朋友留言討論：

Q: 在圖12當(dāng)中的問題中，你會想到哪些解決方案呢？

參考文獻(xiàn)

[1] Victor Lempitsky and Denis Ivanov. Seamless mosaicing of image-based texture maps. CVPR. 1-6, 2007.

[2] Weidan Xiong, Hongqian Zhang, Botao Peng, Ziyu Hu, Yongli Wu, Jianwei Guo, and Hui Huang. TwinTex: Geometry-aware Texture Generation for Abstracted 3D Architectural Models. ACM TOG & SIGGRAPH Asia. 42(6), 227:1-227:14, 2023.

[3] Hao Fang and Florent Lafarge. Connect-and-Slice: An hybrid approach for re constructing 3D objects. CVPR. 13490-13498, 2020.

[4] Yanping Fu, Qingan Yan, Jie Liao, and Chunxia Xiao. Joint texture and geometry optimization for RGB-D reconstruction. CVPR. 5950-5959, 2020.

[5] Yanping Fu, Qingan Yan, Long Yang, Jie Liao, and Chunxia Xiao. Texture mapping for 3d reconstruction with RGB-D sensor. CVPR. 4645-4653, 2018.

[6] Richard Zhang, Phillip Isola, Alexei A Efros, Eli Shechtman, and Oliver Wang. The unreasonable effectiveness of deep features as a perceptual metric. CVPR. 586-595, 2018.

[7] Hengshuang Zhao, Jianping Shi, Xiaojuan Qi, Xiaogang Wang, and Jiaya Jia. Pyramid scene parsing network. CVPR. 2881-2890, 2017.

llustration From IconScout By IconScout Store

-The End-

掃碼觀看！

本周上新！

“AI技術(shù)流”原創(chuàng)投稿計(jì)劃

TechBeat是由將門創(chuàng)投建立的AI學(xué)習(xí)社區(qū)（www.techbeat.net）。社區(qū)上線700+期talk視頻，3000+篇技術(shù)干貨文章，方向覆蓋CV/NLP/ML/Robotis等；每月定期舉辦頂會及其他線上交流活動，不定期舉辦技術(shù)人線下聚會交流活動。我們正在努力成為AI人才喜愛的高質(zhì)量、知識型交流平臺，希望為AI人才打造更專業(yè)的服務(wù)和體驗(yàn)，加速并陪伴其成長。

投稿內(nèi)容

// 最新技術(shù)解讀/系統(tǒng)性知識分享 //

// 前沿資訊解說/心得經(jīng)歷講述 //

投稿須知

稿件需要為原創(chuàng)文章，并標(biāo)明作者信息。

我們會選擇部分在深度技術(shù)解析及科研心得方向，對用戶啟發(fā)更大的文章，做原創(chuàng)性內(nèi)容獎勵

投稿方式

發(fā)送郵件到

michellechang@thejiangmen.com

或添加工作人員微信（michelle333_）投稿，溝通投稿詳情

關(guān)于我“門”

將門是一家以專注于數(shù)智核心科技領(lǐng)域的新型創(chuàng)投機(jī)構(gòu)，也是北京市標(biāo)桿型孵化器。 公司致力于通過連接技術(shù)與商業(yè)，發(fā)掘和培育具有全球影響力的科技創(chuàng)新企業(yè)，推動企業(yè)創(chuàng)新發(fā)展與產(chǎn)業(yè)升級。

將門成立于2015年底，創(chuàng)始團(tuán)隊(duì)由微軟創(chuàng)投在中國的創(chuàng)始團(tuán)隊(duì)原班人馬構(gòu)建而成，曾為微軟優(yōu)選和深度孵化了126家創(chuàng)新的技術(shù)型創(chuàng)業(yè)公司。

如果您是技術(shù)領(lǐng)域的初創(chuàng)企業(yè)，不僅想獲得投資，還希望獲得一系列持續(xù)性、有價(jià)值的投后服務(wù)，歡迎發(fā)送或者推薦項(xiàng)目給我“門”:

bp@thejiangmen.com

點(diǎn)擊右上角，把文章分享到朋友圈