LunarDepthNet：基于深度学习的单目卫星图像数字高程模型生成
计算机视觉与模式识别
2026-04-28 v1
摘要
近期来，对于月球表面高质量数字高程模型（DEMs）的需求不断增加，因为它们对于研究月球和规划未来任务至关重要。然而，月球上缺乏详尽的高程数据。这一研究提出了一种新颖的深度学习方法，从单目表面图像直接估计和生成表面高程图。所用数据集包括来自Chandrayaan-2 Terrain Mapping Camera（TMC）图像及其对应的数字地形模型（DTMs）。该研究提出LunarDepthNet，包含UNet架构生成DEMs。它融合了EfficientNet编码器和自定义层，正确学习表面阴影如何与实际高程值相关联。还采用了组合损失函数以保持地形细节的准确性和平滑性。在验证过程中，该模型实现了12%的稳定损失收敛。在测试阶段，达到了0.437的平均nRMSE和4.5m的MAE。这些结果证明该模型可从单颗轨道图像生成可靠的高程图，在那里是极其有用的，因为在那里没有可用的立体图像。
引用
@article{arxiv.2604.22848,
title = {LunarDepthNet: Generation of Digital Elevation Models using Deep Learning and Monocular Satellite Images},
author = {Aaranay Aadi and Jai Gopal Singla and Amitabh and Nitant Dube and Praveen Kumar Shukla and Vijaypal Singh Dhaka},
journal= {arXiv preprint arXiv:2604.22848},
year = {2026}
}
备注
Accepted by IEEE - 4th International Conference on Computer, Electronics, Electrical Engineering and their applications (IC2E3 2026)