SAT-NGP : Unleashing Neural Graphics Primitives for Fast Relightable Transient-Free 3D reconstruction from Satellite Imagery

当前的立体视觉流水线在使用多对或三元组卫星图像时，可以产生高精度的3D重建。然而，这些流水线对于由多日期采集导致的图像变化非常敏感。这种变化主要是由于阴影、反射和瞬时物体（如汽车、植被）的变化。为了考虑这些变化，最近已经将神经辐射场（NeRF）应用于多日期卫星图像。然而，神经方法非常计算密集，需要数十小时的学习时间，而标准立体视觉流水线只需要几分钟。在跟随即时神经图形基元的思路之后，我们提出使用高效的采样策略和多分辨率哈希编码来加速学习。我们的模型，卫星神经图形基元（SAT-NGP），将学习时间缩短到15分钟，同时保持3D重建的质量。

本论文旨在解决多时相卫星图像的三维重建问题。目前的立体视觉流程对多时相影像的变化比较敏感，而神经辐射场（NeRF）虽然可以应对这种变化，但学习时间较长。因此，论文提出了一种称为Satellite Neural Graphics Primitives（SAT-NGP）的模型，旨在加快学习速度并保持三维重建的质量。

论文提出了一种高效的采样策略和多分辨率哈希编码的方法，用于加速学习。SAT-NGP模型学习时间仅为15分钟，同时保持了三维重建的质量。

论文使用了卫星图像数据集进行实验，并展示了SAT-NGP模型相对于NeRF模型的学习速度和三维重建质量的提升。此外，论文还开源了实现代码，为相关研究提供了参考。

在最近的相关研究中，还有一些关于多时相卫星图像三维重建的工作，例如“Multi-View Stereo for Community-Contributed Satellite Imagery”和“Multi-View 3D Reconstruction of Satellite Imagery Using Convolutional Neural Networks”。