Sat-DN：基于深度与法线监督的多视角卫星图像隐式表面重建
计算机视觉与模式识别
2025-09-05 v2
摘要
随着卫星成像技术的进步，获取高分辨率多视角卫星图像变得越来越便捷，使得快速且与位置无关的地面模型重建成为可能。然而，传统立体匹配方法难以捕捉精细细节，而神经辐射场（NeRF）虽然能实现高质量重建，但其训练时间过长。此外，卫星图像中建筑立面低可见度、像素间光照与风格差异以及弱纹理区域等挑战，进一步使得重建合理的地形几何和精细建筑立面变得困难。为解决这些问题，我们提出了 Sat-DN，一个新颖的框架，利用逐步训练的多分辨率哈希网格重建架构，结合显式深度引导和表面法线一致性约束来提升重建质量。多分辨率哈希网格加速了训练，而逐步策略逐步增加学习频率，利用粗低频几何引导精细高频细节的重建。深度与法线约束确保了清晰的建筑轮廓和正确的平面分布。在 DFC2019 数据集上的大量实验表明，Sat-DN 优于现有方法，在定性和定量评估中均取得了最先进的结果。代码可在 https://github.com/costune/SatDN 获取。
引用
@article{arxiv.2502.08352,
title = {Sat-DN: Implicit Surface Reconstruction from Multi-View Satellite Images with Depth and Normal Supervision},
author = {Tianle Liu and Shuangming Zhao and Wanshou Jiang and Bingxuan Guo},
journal= {arXiv preprint arXiv:2502.08352},
year = {2025}
}