计算专题 | 基于地面望远镜的卫星三维重建（IEEE TPAMI）

在图像预处理阶段（见图1.(a)），融合多种传统与深度学习图像增强技术，包括幸运成像、小波锐化和基于深度学习的 Transformer 视频恢复模型（VRT）。这些处理能够有效缓解大气扰动和成像噪声带来的图像模糊问题，提升图像清晰度和帧间稳定性，从而提高后续特征提取与匹配的可靠性。

针对超长焦成像条件下图像质量退化、弱纹理、目标结构对称等问题，该研究优化了结构运动恢复（SfM）流程（见图1.(b)）。结合SuperPoint 与 SuperGlue进行深度特征提取与匹配，并利用正交投影进行初始化、利用帧间连续性信息进行初始位姿估计，极大提高了位姿估计算法的效率与鲁棒性。

在三维建模阶段，提出了一种基于联合优化的重建策略（见图1.(b)）：在基于3D Gaussian Splatting场景表示的同时，结合光度一致性约束与Branch-and-Bound（BnB）搜索策略，进一步提升相机姿态精度与多视一致性，从而增强建模精确性。

为进一步提升点云重建质量，该框架在后处理阶段引入了基于 k-NN 的统计滤波方法（见图1.(c)），去除离群点、降低噪声干扰，显著提升了三维结构的完整性与连贯性。

图2. 方法框架概览：包含三个核心模块：(a) 数据预处理，包括图像裁剪、堆叠、锐化及基于 VRT 的视频降噪；(b) 联合优化的相机位姿估计与三维高斯建模框架；(c) 基于统计滤波的点云后处理策略。此外，(d) 展示了整体训练过程中各模块的交替执行与时间推进流程。

实验结果：

该研究在仿真与实拍数据上均进行了验证。在模拟卫星数据集上，与多种主流三维重建联合位姿优化方法（包括 NeRF--、BARF等）进行对比，所提方法在PSNR、SSIM、LPIPS 和点云精度指标（CD）上均显著优于基线模型，重建质量更加稳定、清晰。

在实拍实验中，使用 35cm 光圈的业余望远镜搭配普通行星相机，捕获并重建了中国空间站（CSS）与国际空间站（ISS）的图像序列，实现了高质量三维重建，其中 CSS 核心舱的长度误差控制在 1 米以内，并能够估计太阳翼的真实展开角度。为应对赤道仪子午翻转带来的成像中断，提出了“假极轴”观测方法，进一步提高实拍数据获取的连续性与实用性。

技术小结

该研究提出了一种创新的三维成像框架，实现了从地面望远镜观测数据中对轨道卫星的完整三维重建。通过引入图像增强、位姿优化与3D Gaussian Splatting建模的联合优化以及后处理等策略，实现在真实观测条件下对中国空间站与国际空间站的高精度建模。尽管目前分辨率仍受限于光学设备口径与建模流程的简化假设，但该方法为地面遥感的三维感知奠定了重要基础。未来计划精细化图像建模及材质仿真等模块，进一步提升小目标成像能力与复杂光照条件下的重建精度。