通过极地光照条件下的高保真度立体成对图像的 POLAR Traverse 数据集，模拟直线移动并记录不同相机高度和倾斜度的遍历图像，旨在开发和测试依赖立体或单眼相机图像的软件算法（如视觉里程计）在月球极地环境中的应用，并提供月球极地区域预期光照条件的洞察。

Mar, 2024

我们提出了一种生成合成图像数据的方法，用于语义分割，为其他任务提供泛化能力，并提供由无人驾驶宇宙飞船的二维单眼图像组成的原型合成图像数据集，以便进一步研究自主空间飞行器汇合问题。我们在这些合成数据上展示了强的基准结果（Sørensen-Dice 系数为 0.8723），表明训练良好性能的图像分割模型对此任务是可行的，特别是如果目标航天器及其配置已知。

Nov, 2022

利用深度学习和逼真的渲染技术进行空间交会、对接和空间碎片清理中的六自由度姿态估计，通过提出一种面向方向软分类的深度学习框架，通过在 Unreal 引擎 4 上构建模拟器生成标注图像，且在欧洲航天局的姿态估计竞赛中取得了第三名和第二名的优异成绩。

Jul, 2019

我们报告了一个关于 POLAR3D 的努力，它是由美国宇航局生成的模拟月球照明条件的 POLAR 数据集的数字资产。我们的贡献有两个方面：首先，我们为 POLAR 数据集中的每张照片进行了注释，为岩石及其阴影提供了约 23,000 个标签；其次，我们数字化了 POLAR 数据集中的几个月球地形场景。POLAR3D 是一组数字资产，包括岩石 / 阴影标签和与月球地形场景的数字孪生体相关的 obj 文件。该数据集可用于训练月球探测的感知算法和合成原始 POLAR 收集之外的照片真实场景。同样，obj 资产可以集成到模拟环境中，以促进数字化 POLAR 场景中逼真的月球车操作。POLAR3D 公开可用，以帮助感知算法开发、相机模拟工作和月球模拟练习。

Sep, 2023

通过使用准确的陆地深度数据生成真实感的水下图像，我们提出了一种新的流程，实现了水下深度估计模型在未见水下图像上取得了相当大的定量和定性改进，并帮助了依赖于深度图的水下图像恢复技术。

Dec, 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

该论文通过使用立体和多视角的高分辨率卫星遥感数据，探索了在建筑物建模、冰川动态跟踪和湖泊藻类监测等领域解决遥感应用问题的新方法，展示了卫星摄影测量应用在城市和环境挑战中的广泛潜力，并展示了提高应用立体和多视角的高分辨率卫星遥感数据的创新分析方法。

Apr, 2024

通过语义场景分割来提供强大的正则化先验以解决立体对应和重建问题的不确定性，利用无意卫星图像进行成对语义立体和多视角语义三维重建的研究已经成为可能。

Nov, 2018

该研究提出了一种使用 LIDAR 和单目相机来感知航天器三维结构，并使用 Spacecraft Depth Completion Network (SDCNet) 来重建密集深度图的方法，其中 SDCNet 将物体级别的航天器深度完成任务分解为前景分割子任务和前景深度完成子任务，从而避免了背景干扰前景航天器深度完成。通过在大规模的卫星深度完成数据集上进行实验，SDCNet 取得了比现有方法更好的成果，也完成了航天器的姿态估计实验。

Aug, 2022

我们引入了一个系统来闭合真实环境与现有培训数据之间的 “真实性” 差距，同时保持标签的准确性。我们使用 CycleGAN 模型合成 LROC 和 PANGU 图像，结果表明这些改进了下游撞击坑分割网络的训练，与仅使用模拟的 PANGU 图像相比，真实 LROC 图像的分割性能得到提高。

Oct, 2023