利用深度学习在多样地形与光照环境下进行高保真月球地形重建

地形模型对于表征行星表面和推断潜在地质过程至关重要。然而，米级地形数据依然有限，这制约了详细的行星研究，即使对于拥有大量高分辨率轨道图像的月球也是如此。深度学习 (DL) 的最新进展利用受低分辨率地形约束的单视图图像，实现快速灵活的精细尺度地形重建。然而，它们在多样月球地貌与光照条件下的鲁棒性与普适性仍待充分探索。在本研究中，我们在先前提出的 DL 框架基础上，引入了更鲁棒的尺度恢复方案，并将模型扩展至低太阳光照条件下的极区。我们证明，与单视图明暗恢复形状方法相比，所提出的 DL 方法对光照变化表现出更强的鲁棒性，并实现了更一致、更准确的地形重建。此外，它能可靠地重建不同尺度、形态与地质年龄的月球地貌特征。该模型还为月球南极区域（包括永久阴影区）生成了高质量地形模型，展示了该方法在重建复杂且低光照地形方面的能力。这些发现表明，基于 DL 的方法有望利用海量月球数据集来支持高级探测任务，并以前所未有的地形分辨率开展月球研究。