使用混合生成对抗网络的 DSM 细化方法，将光谱和高度信息融合到一个网络中，以半米分辨率的单色卫星图像为输入。实验结果表明，数据的早期信息融合有助于传播细节并完善有关建筑形态的不准确或缺失的三维信息，同时改善建筑边界，使其更加矩形。

Apr, 2019

本文提出了一种基于机器学习的方法，通过数字表面模型和全色影像的输入，使用条件生成对抗网络筛选出非建筑物，然后借助于语义分割网络检测出建筑物屋顶的边缘和角点，并提出一组矢量化算法来构建屋顶多边形，最终从改进后的表面模型中添加高度信息，以获得完全矢量化的精细建筑模型。在大型卫星图像上对我们的方法进行了验证，并取得了最先进的性能。

Apr, 2021

该研究提出了一种基于数字表面模型和卷积神经网络的多任务学习框架，其中后者利用屋顶类型分类作为次要任务和多个目标，以获得优化的表面模型。此方法在常见数据上始终优于其他方法，并且对一个独立研究区域的新数据具有很好的泛化能力。

Apr, 2020

该研究利用条件去噪扩散概率模型（DDPM）通过训练产生高分辨率的三维表面来进行单幅遥感图像的高度估计。实验结果表明该方法在 Vaihingen 基准数据集上有很好的效果。

Apr, 2023

本文提出了一种处理多视图卫星图像生成 3D 数字表面模型的自动化流程，其中包括自动地地理参考和基于匹配生成高质量密集点云。通过学习样本 LiDAR 数据的关键配置，我们根据结果的接近程度对图像对进行排名，并使用自适应 3D 中值滤波器融合多个深度图。我们证明了提出的自适应中值滤波器通常比普通中值滤波器产生更好的结果，在最佳情况下达到了 0.36 米 RMSE 的精度提高。结果和分析被详细介绍。

May, 2019

利用深度条件形状模型作为核心组件的新型分割算法，通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型，然后通过解剖标志物对生成的形状进行拟合到图像上，并添加模态依赖的轻量级细化网络以捕捉隐式函数未表示的任何细节，该框架在多种 3D 模态下的心脏左室分割问题上进行评估，自动化的 DCSM 在非对比度 CT 上表现优于基准结果，在对比度 CT 和 3DE 上添加细化后性能得到显著改善，而用户输入标志物的半自动化 DCSM 在全部模态下的 Dice 指数均超过 92%。

Oct, 2023

该篇论文介绍了一种通过多视角卫星图像获取完整三维表面网格的方法，并通过优化表面与梯度下降算法对数字高程模型进行完善，同时展示了该方法通过卫星数据可用于立面结构等的三维几何重建。

May, 2020

本研究提出一种基于 Height-hierarchy Guided Dual-decoder Network (HGDNet) 的方法，通过集合卫星图像建筑提取和高度估计任务，实现大规模城市 3D 重建，并在 DFC 2023 数据集上展示了在建筑高度估计、实例提取和最终平均得分方面的优越性。

Aug, 2023

本文提出了一种深度学习架构，使用生成对抗网络 (Wasserstein GAN architecture) 完成损坏、缺失图像的修复与增强，实验结果表明该方法相对于最近报道的结果，峰值信噪比和结构相似度指数提高了 2.45% 和 4%。

Nov, 2019

借助开放访问的卫星图像，我们提出了一种深度网络方法，用于解决城市建筑的细粒度分类问题，通过空间分辨率增强和类别信息平衡模块的引入来改进分类鲁棒性和准确性，实验证明该方法在高精度图像的分类上与街景图像方法相当，可为城市规划者提供有价值的工具。

Mar, 2024