几何洪水深度估计：融合基于Transformer的分割与数字高程模型
计算机视觉与模式识别
2026-05-12 v1 机器学习
摘要
灾后情报感知高度依赖于理解洪水的范围和体积。虽然2D语义分割能够提供精确的洪水掩码，但缺乏垂直维度，难以评估可通行性和结构风险。本文提出了一种用于从单目航空图像估计洪水深度的几何“水面高度”方法。我们的管道利用Mask2Former——一种最先进的基于Transformer的分割模型——生成精确的2D洪水掩码。这些掩码与数字高程模型（DEMs）融合，以确定水陆边界、计算全局水面高度（），并依据局部水力平衡原理计算每个像素的深度。我们使用FloodNet和CRASAR-U-DROIDS数据集评估了该工作流程，展示了如何利用高性能分割从2D图像中提取3D体积数据，而无需水动力学模拟的延迟。
引用
@article{arxiv.2605.08521,
title = {Geometric Flood Depth Estimation: Fusing Transformer-Based Segmentation with Digital Elevation Models},
author = {Nhut Le and Ehsan Karimi and Maryam Rahnemoonfar},
journal= {arXiv preprint arXiv:2605.08521},
year = {2026}
}
备注
Accepted by the 2026 IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2026)