Deep S2P：将基于学习的立体匹配集成到卫星立体管线中
计算机视觉与模式识别
2026-03-24 v1
摘要
从卫星影像生成数字地表模型(DSM)是地球观测中的核心任务，通常在卫星立体管线(S2P)中使用经典立体匹配算法。虽然近期基于学习的立体匹配器在标准基准测试上实现了最佳性能，但其集成到操作性卫星管线中仍面临挑战，这些挑战源于观察几何和视差假设的差异。本文将几种现代基于学习的立体匹配器集成到卫星立体管线中，包括 StereoAnywhere、MonSter、Foundation Stereo 以及针对卫星微调的 MonSter变体，调整校正阶段以确保视差极性和范围兼容。我们发布相应代码，以便在大规模地球观测工作流程中可重复使用这些方法。在卫星影像上进行实验，显示相对于基于经典成本体积的方法，DSM 精度得到一致性改进，尽管常用指标如平均绝对误差(MAE)存在饱和效应。定性结果显示几何细节显著改善，结构更锐利，凸显需要更好反映感知和结构保真度的评估策略的必要性。与此同时，在植被等具挑战性表面类型上，所有评估模型的性能仍有限，表明基于学习的立体匹配在自然环境中仍面临开放性挑战。
引用
@article{arxiv.2603.21882,
title = {Deep S2P: Integrating Learning Based Stereo Matching Into the Satellite Stereo Pipeline},
author = {Elías Masquil and Thibaud Ehret and Pablo Musé and Gabriele Facciolo},
journal= {arXiv preprint arXiv:2603.21882},
year = {2026}
}
备注
Accepted at IGARSS 2026