空载激光扫描点云的超分辨率处理用于森林资源调查
计算机视觉与模式识别
2026-05-11 v2
摘要
空载激光扫描（ALS）可以跨大范围区域收集点云，实现大规模森林资源调查。然而，ALS 点云稀疏且噪声较大，导致单个树木层面的森林资源调查不准确，包括树干定位和树木尺寸估计。为克服这一问题，我们提出一种深度学习模型，3D Forest Super Resolution（3DFSR），用于同时提高 ALS 森林点云的点密度并降低噪声。3DFSR 基于体素的 CNN 结构，采用 U-Net 架构。对提出的 3DFSR 进行评估，分别使用美国温带森林和德国 boreal 森林的 ALS 点云。实验结果表明，3DFSR 可以生成比其他国际领先的点云超分辨率算法更细致的树结构点云，实现 0.249 米的 Chamfer 距离和 2.711 米的 Hausdorff 距离。进一步验证 3DFSR 生成的点云在森林资源调查中的有效性，我们在原始 ALS 点云和 3DFSR 增强点云上进行树干检测、DBH 测量和树干重建。我们发现，为 TLS/MLS 点云开发的树干检测和重建算法可直接用于 3DFSR 点云，DBH 可通过圆拟合方法获得。树干检测的 F1 分数从原始 ALS 点云上的 0.71 提升到 3DFSR 点云上的 0.97；DBH 估计从使用全要素方程的 13.45 cm RMSE 改进到圆拟合的 6.43 cm；与 MLS 点云相比，3DFSR 点云重建的树干 Chamfer 距离为 0.170 米，Hausdorff 距离为 0.377 米，R² 体积估计为 0.95。最后我们发现，提出的 3DFSR 可处理 10 到 1700 点/平方米的点密度；且可推广到无需迁移学习的情况下，来自不同激光雷达平台收集的数据。
引用
@article{arxiv.2605.02201,
title = {Super-Resolution of Airborne Laser Scanning Point Clouds for Forest Inventory},
author = {Jinyuan Shao and Sangyoong Park and Chunxi Zhao and Ayman Habib and Songlin Fei},
journal= {arXiv preprint arXiv:2605.02201},
year = {2026}
}