論文の概要: Reconstructing Building Height from Spaceborne TomoSAR Point Clouds Using a Dual-Topology Network

• arxiv url: http://arxiv.org/abs/2601.00658v1
• Date: Fri, 02 Jan 2026 11:34:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.562102
• Title: Reconstructing Building Height from Spaceborne TomoSAR Point Clouds Using a Dual-Topology Network
• Title（参考訳）: 双対トポロジーネットワークを用いた有人トモSAR点雲からの建物高さの復元
• Authors: Zhaiyu Chen, Yuanyuan Wang, Yilei Shi, Xiao Xiang Zhu,
• Abstract要約: 生のTtomoSAR点を高解像度のビルディングハイトマップに変換するための学習ベースのフレームワークを提案する。 我々の双対トポロジーネットワークは、不規則な散乱器の特徴をモデル化する点分枝と、空間的一貫性を強制する格子分枝とを交互に扱う。 これは、TtomoSAR点雲から直接、大規模な都市高度マッピングを行うための最初の概念実証である。
• 参考スコア（独自算出の注目度）: 17.230182354159258
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reliable building height estimation is essential for various urban applications. Spaceborne SAR tomography (TomoSAR) provides weather-independent, side-looking observations that capture facade-level structure, offering a promising alternative to conventional optical methods. However, TomoSAR point clouds often suffer from noise, anisotropic point distributions, and data voids on incoherent surfaces, all of which hinder accurate height reconstruction. To address these challenges, we introduce a learning-based framework for converting raw TomoSAR points into high-resolution building height maps. Our dual-topology network alternates between a point branch that models irregular scatterer features and a grid branch that enforces spatial consistency. By jointly processing these representations, the network denoises the input points and inpaints missing regions to produce continuous height estimates. To our knowledge, this is the first proof of concept for large-scale urban height mapping directly from TomoSAR point clouds. Extensive experiments on data from Munich and Berlin validate the effectiveness of our approach. Moreover, we demonstrate that our framework can be extended to incorporate optical satellite imagery, further enhancing reconstruction quality. The source code is available at https://github.com/zhu-xlab/tomosar2height.
• Abstract（参考訳）: 信頼性の高い建物の高さ推定は、様々な都市用途に欠かせない。 宇宙飛行型SARトモグラフィー (TomoSAR) は、気象に依存しない側面の観測を行い、ファサードレベルの構造を捉え、従来の光学手法に代わる有望な代替手段を提供する。 しかし、伴SAR点雲は、しばしばノイズ、異方性点分布、不整合面上のデータ空隙に悩まされ、いずれも正確な高さ復元を妨げている。 これらの課題に対処するために、生のTtomoSAR点を高解像度のビルディングハイトマップに変換するための学習ベースのフレームワークを導入する。 我々の双対トポロジーネットワークは、不規則な散乱器の特徴をモデル化する点分枝と、空間的一貫性を強制する格子分枝とを交互に扱う。 これらの表現を共同で処理することにより、ネットワークは入力ポイントを識別し、欠落した領域を印字して連続的な高さ推定を生成する。 われわれの知る限り、これはTtomoSAR点雲から直接大規模な都市高度マッピングを行うための最初の概念実証である。 ミュンヘンとベルリンのデータに関する大規模な実験は、我々のアプローチの有効性を検証する。 さらに,このフレームワークを光衛星画像に組み込むように拡張し,再現性の向上を図っている。 ソースコードはhttps://github.com/zhu-xlab/tomosar2height.comから入手できる。

関連論文リスト

• SiLVR: Scalable Lidar-Visual Radiance Field Reconstruction with Uncertainty Quantification [0.6445605125467574]
  本稿では,ライダーと視覚データを融合したNeRFを用いた大規模再構成システムを提案する。 我々のシステムはライダーを組み込むために最先端のNeRF表現を採用する。 ライダーデータを追加すると、深さと表面の正規値に強い幾何学的制約が加わる。
  論文  参考訳（メタデータ） (2025-02-04T19:00:49Z)
• Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
  ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。 ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
  論文  参考訳（メタデータ） (2024-01-06T12:32:25Z)
• Ternary-Type Opacity and Hybrid Odometry for RGB NeRF-SLAM [58.736472371951955]
  表面を交差する光線上の点を3つの領域(前・前・後・後)に分類する3成分式不透明度モデルを導入する。 これにより、より正確な深度のレンダリングが可能となり、画像ワープ技術の性能が向上する。 TTとHOの統合アプローチは,合成および実世界のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-20T18:03:17Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
  本論文では,2種類の堅牢なクロスビュー整合性について検討する。 深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。 いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-19T03:46:13Z)
• Large-scale Building Height Retrieval from Single SAR Imagery based on Bounding Box Regression Networks [21.788338971571736]
  合成開口レーダ(SAR)画像からの建物の高さの検索は,都市部において非常に重要である。 本稿では,1つのTerraSAR-Xスポットライトやストリップマップ画像から大規模都市部におけるビルの高さ検索の問題に対処する。
  論文  参考訳（メタデータ） (2021-11-18T00:39:48Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)
• Deep Learning Guided Building Reconstruction from Satellite Imagery-derived Point Clouds [39.36437891978871]
  衛星画像から生成された点雲からモデル再構成を構築するための信頼性が高く効果的な手法を提案する。 具体的には、複雑で騒々しい場面で建築屋根の形状を区別するために、ディープラーニングのアプローチが採用されている。 大規模都市モデル生成の一般ニーズに対処する最初の取り組みとして、開発はオープンソースソフトウェアとして展開されている。
  論文  参考訳（メタデータ） (2020-05-19T05:38:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。