通过引入结构化 3D-aware 正则化方法，将深度神经网络与多任务背景相结合，可以改善性能。

Oct, 2023

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

本文提出了设计域不变的立体匹配网络的方法，其中使用了新颖的 “域标准化” 方法以及可训练的基于非局部图滤波器的方法，使网络能够在新的场景中泛化，并在实验中得到了显著提高。

Nov, 2019

基于跨维度输入的一种有效的基于 Transformer 的网络用于改变检测，通过交叉关注学习了跨维度输入之间的共享表示，采用一致性约束建立了多模态关系，并通过高度改变阈值和最小化语义与伪改变之间的不同来解决语义和高度改变检测任务之间的多任务冲突。该模型在荷兰的三个城市构建了包含 DSM 到影像的多模态数据集，相对于其他五种先进的改变检测方法，表现出了一致的多任务优势，同时该一致性策略也可以无缝地适用于其他方法，取得了可喜的改进。

Oct, 2023

本文介绍了一种利用数字表面模型 (DSMs) 的混合条件生成对抗网络 (cGAN) 算法的工作流程，其中生成部分由两个并行网络组成，形成 WNet 架构。所使用的输入数据是立体 DSMs 和全色 (PAN) 半米分辨率卫星图像，融合这些数据有助于从光谱图像传播和完善建筑物形状的详细信息，并且可以优化建筑物的边缘。

Mar, 2019

本论文提出了一种针对卷积神经网络在新领域上泛化能力不佳的自适应训练方法，结合了合成数据和部分无标注实际数据。通过图拉普拉斯正则化的迭代优化问题求解，让 CNN 能够根据新领域的实际数据自适应地调整自身参数，在保持边缘的同时消除伪像，实现在两个场景中的高效应用。

Mar, 2018

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

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

在遥感语义分割领域中，本研究调查了 PerceiverIO 等普适性多模态网络在处理遥感图像中的物体尺度变化和车辆检测方面的表现，并提出一种空间和体积学习组件来解决这些问题。通过广泛的实验证明，该方法在与 UNetFormer 和 SwinUNet 等专用架构相比具有竞争力的结果，显示出最小化网络架构工程且性能不受明显影响的潜力。

Jul, 2023

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