研究意义：

数字表面模型(DSM)是呈现自然与人工地物高程信息的数据产品，在诸多遥感应用(例如三维建模、语义标注、场景理解、变化检测等)中发挥着不可或缺的作用。传统的DSM获取主要包括三种途径：激光探测(LiDAR)，合成孔径雷达干涉测量(InSAR)，以及光学立体摄影测量；传统方法的设备部署、人工处理以及时间成本都非常高昂。北京航空航天大学杭州创新研究院(余杭)信息学院控制科学与工程团队成员卢俊言博士等近期开展了一项研究工作，探索了基于单目光学遥感影像的DSM重建方法。相比传统途径，该方法灵活、便捷、成本低廉，能够从历史影像中恢复地表原貌，并实现了优越的重建精度，具有显著的潜在经济效益和广泛的应用推广价值。该成果2022年5月发表于遥感领域国际知名期刊IEEE Transactions on Geoscience and Remote Sensing (论文链接：https://ieeexplore.ieee.org/document/9779230)。

方法简介：

信息学院控制科学与工程团队长期致力于天基目标智能感知及其三维建模技术的研究，该工作首次聚焦逐像素回归模型训练收敛性和鲁棒性差的固有瓶颈，考虑到三维重建与语义分割任务具有视觉特性相似性与训练目标趋同性，通过设计语义联合的DSM预测框架提取互补特征以增强嵌入表达效果，利用相对容易的分类预测将复杂回归预测约束在合理的离散区间从而大幅度减少离群预测值，最终实现模型训练收敛性和鲁棒性的有效提升。此外，该工作基于特征复用提出了超轻量的编码-解码特征提取卷积神经网络主干，并基于特征修复提出了大感受野、局部差异化的无参迭代上采样途径，在优化DSM重建细粒度的同时实现了模型推理速度的大幅度提升，有望为语义分割、图像超分辨率重建等研究提供新思路。该工作得到了国家自然科学基金、北京市杰出青年科学基金，以及浙江省自然科学基金的共同资助。

图1语义联合的单目遥感影像DSM重建方法框架。DSM回归受到分类任务的有效约束以提升模型训练的收敛性和鲁棒性；基于特征复用大幅度降低主干参数量；基于特征修复有效提升预测精度。

先进超精密空间指向机构调控平台、空间目标相对运动模拟与智能感知平台介绍（https://zfau.cn/info/1012/1311.htm）：

信息学院控制科学与工程团队围绕新型航天器“通导遥”一体化的高精度、强智能需求，建立先进超精密空间指向机构调控平台、空间目标相对运动模拟与智能感知平台，瞄准下一代信息技术前沿、服务国民经济主战场，重点布局光机调制与微纳超精密操控、空间目标智能感知与柔顺抓捕等研究方向，进行前沿基础学科方向研究。目前，该平台正在全球招引青年才俊加入，组建一流学术团队，共同开展前沿科学研究与关键技术攻关！招聘相关信息可咨询：

联系人：贡老师/莫老师

联系电话：+86 (0)571 89308162

电子邮箱：talents@zfau.cn

通信地址：浙江省杭州市余杭区西溪八方城12幢人才中心