SparseSat-NeRF：用于稀疏卫星影像的稠密深度监督神经辐射场
计算机视觉与模式识别
2023-09-04 v1 图形学
摘要
使用传统多视立体匹配（MVS）生成数字表面模型在非朗伯表面、异步获取或在不连续处表现不佳。神经辐射场（NeRF）提供了一种利用连续体表示重建表面几何的新范式。NeRF 是自监督的，不需要真实几何用于训练，并为其表示提供了包含场景物理参数的优雅方式，从而有可能弥补 MVS 失效的困难场景。然而，NeRF 及其变体需要许多视图才能生成令人信服的场景几何，而在地球观测卫星成像中这很罕见。本文提出 SparseSat-NeRF（SpS-NeRF）——一种适用于稀疏卫星视图的 Sat-NeRF 扩展。SpS-NeRF 采用由传统半全局 MVS 匹配提供的互相关相似性度量引导的稠密深度监督。我们在 Pleiades 1B/WorldView-3 的立体和三立体影像上验证了方法的有效性，并与 NeRF 和 Sat-NeRF 进行比较。代码见 https://github.com/LulinZhang/SpS-NeRF
引用
@article{arxiv.2309.00277,
title = {SparseSat-NeRF: Dense Depth Supervised Neural Radiance Fields for Sparse Satellite Images},
author = {Lulin Zhang and Ewelina Rupnik},
journal= {arXiv preprint arXiv:2309.00277},
year = {2023}
}
备注
ISPRS Annals 2023