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

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

本文综合研究了使用卫星图像和机器学习了解可持续发展领域期间所面对的挑战，以及如何将二者有机结合，细致测量各类相关数据，从而量化模型表现，并探讨该研究领域的未来发展。

Sep, 2020

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

本文研究基于球面图像拍摄几何的三维重建算法，提出了增量式结构化学习工作流并通过三个球面数据集进行验证。结果证明该工作流可以成功重建复杂场景并为开源软件包的实现提供有用线索。

Jun, 2023

探讨视觉技术在卫星图像的三维重建中的应用与挑战，展示其在速度和精度方面具有竞争力。

Oct, 2019

通过利用小型业余望远镜捕获的视频数据，该研究提出了一个用于低地球轨道卫星的三维重建框架。该框架包括深度学习的图像恢复、特征点提取和相机姿态初始化的预处理流程，以及改进的三维高斯光滑算法应用于重构三维模型，通过支持训练和姿态估计产生精细的三维点云。通过合成数据集和中国空间站的实际观测验证，该方法在从地面观测中重建三维空间目标方面具有显著优势。

Apr, 2024

最近的研究进展表明，语言视觉模型在二维计算机视觉任务方面已经超过了现有的最先进技术 (SOTA)，激发了将语言视觉模型应用于三维数据的尝试。然而，应用于点云的 LVM 面临着从三维数据提取特征的困难以及由于数据量大、采集和标注成本高导致数据集的可用性明显有限等挑战。为了解决这些问题，我们的研究旨在通过球面投影将 3D 数据转化为 2D，并尝试使用合成数据评估其在合成和真实数据之间弥合差距方面的效果。我们的方法表现出了高性能，准确率为 0.96，IoU 为 0.85，精确率为 0.92，召回率为 0.91，F1 分数为 0.92，验证了其潜力。然而，在未来的研究中仍需要解决遮挡问题和球面图像生成过程中多标签点的像素级重叠等挑战。

Apr, 2024

本文提出了一种新颖的领域自适应算法，以解决卫星和航拍图像所带来的挑战，并在建筑区域分割问题上证明了其有效性，在城市人口分析中占有重要地位，尤其是跨越多个领域，本文通过一种弱监督适应策略，设计一个建筑区域分割编码器解码器网络，其中添加了一个图像分类头以指导适应，该系统能够处理多种卫星和航拍图像数据集，从高分辨率（HR）到非常高分辨率（VHR），并且实验表明其性能优于现有的技术

Jul, 2020