Sat-DN: Implicit Surface Reconstruction from Multi-View Satellite Images with Depth and Normal Supervision

要約

衛星イメージングテクノロジーの進歩により、高解像度のマルチビュー衛星画像を取得することがますますアクセスしやすくなり、迅速かつ場所に依存しない地形モデルの再構築が可能になりました。
ただし、従来のステレオマッチング方法は細かい詳細をキャプチャするのに苦労しており、ニューラル放射輝度フィールド（NERF）が高品質の再構成を達成している間、トレーニング時間は非常に長いです。
さらに、ファサードの建物の視認性の低さ、ピクセル間の照明とスタイルの違い、および衛星画像の弱いテクスチャの領域などの課題により、合理的な地形のジオメトリと詳細な建物ファサードを再構築することがさらに困難になります。
これらの問題に対処するために、徐々に訓練された多解像度ハッシュグリッド再構成アーキテクチャを活用する新しいフレームワークであるSAT-DNを提案します。
多解像度のハッシュグリッドはトレーニングを加速しますが、プログレッシブ戦略は学習周波数を徐々に増加させ、粗い低周波ジオメトリを使用して微細な高周波の詳細の再構築を導きます。
深さと通常の制約により、明確な建物の輪郭が保証され、平面分布が正しくなります。
DFC2019データセットでの広範な実験は、SAT-DNが既存の方法を上回り、定性的評価と定量的評価の両方で最先端の結果を達成することを示しています。
このコードは、https：//github.com/costune/satdnで入手できます。

要約(オリジナル)

With advancements in satellite imaging technology, acquiring high-resolution multi-view satellite imagery has become increasingly accessible, enabling rapid and location-independent ground model reconstruction. However, traditional stereo matching methods struggle to capture fine details, and while neural radiance fields (NeRFs) achieve high-quality reconstructions, their training time is prohibitively long. Moreover, challenges such as low visibility of building facades, illumination and style differences between pixels, and weakly textured regions in satellite imagery further make it hard to reconstruct reasonable terrain geometry and detailed building facades. To address these issues, we propose Sat-DN, a novel framework leveraging a progressively trained multi-resolution hash grid reconstruction architecture with explicit depth guidance and surface normal consistency constraints to enhance reconstruction quality. The multi-resolution hash grid accelerates training, while the progressive strategy incrementally increases the learning frequency, using coarse low-frequency geometry to guide the reconstruction of fine high-frequency details. The depth and normal constraints ensure a clear building outline and correct planar distribution. Extensive experiments on the DFC2019 dataset demonstrate that Sat-DN outperforms existing methods, achieving state-of-the-art results in both qualitative and quantitative evaluations. The code is available at https://github.com/costune/SatDN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google