《IEEE Transactions on Geoscience and Remote Sensing》：Reconstructing Building Height from Spaceborne TomoSAR Point Clouds Using a Dual-Topology Network
编辑推荐：
为解决星载SAR层析成像点云存在噪声、各向异性分布和数据空洞等问题，研究人员开展了一项利用双拓扑网络从空间TomoSAR点云重建建筑物高度图的研究。该方法通过点分支和网格分支的交替处理，实现了点云去噪和缺失区域修复，在慕尼黑和柏林数据集上的实验验证了其有效性，为大规模城市高度测绘提供了新思路。
在城市规划、灾害管理和环境监测等领域，大规模三维建筑环境建模至关重要，其中建筑物高度可靠估计是核心环节。传统上主要依靠机载激光雷达扫描和摄影测量技术获取高质量高度数据，但这些技术存在可扩展性限制——激光雷达勘测成本高昂，摄影测量方法则需要大量无云高分辨率光学图像。尽管计算机视觉的最新进展使得从单张图像估计高度成为可能，但这些单目方法仍受限于晴朗天气条件，且需要强归纳偏置来解决深度模糊问题。
星载合成孔径雷达提供了大规模三维重建的互补数据源，其全天候成像能力和捕捉三维结构的能力尤为突出。特别是多基线SAR层析成像通过重建完全三维反射率剖面，扩展了传统干涉测量技术，能够分离单个地面分辨率单元内的重叠散射体。利用现代卫星的米级分辨率SAR imagery，TomoSAR可以生成城市区域的大规模一致点云。这些SAR衍生的点云通过侧视采集几何捕获建筑物立面细节，这是天底视角传感器通常无法获取的。此外，通过先进校准，TomoSAR点云可提供高地理定位精度。
然而，TomoSAR点云在建筑物高度重建方面面临显著挑战。固有成像过程和侧视几何导致数据稀疏、噪声大、点密度不均且存在间隙，特别是在低相干表面如建筑物屋顶上。当使用低分辨率SAR图像或有限数量采集时，这些问题更加突出。如图1所示，TomoSAR点云提供广域覆盖和丰富的立面细节，但通常比机载激光雷达点密度更低、噪声更高。这些挑战削弱了空间插值或几何拟合等传统高度测绘技术的效果。
为解决这些挑战，研究人员提出了一种神经网络框架，专门用于从星载TomoSAR点云直接重建建筑物高度图。由于TomoSAR点的水平地理定位通常比其垂直高程更可靠，该研究采用双拓扑设计，将基于点的分支与x-y网格分支配对，在利用网格正则化噪声高度的同时保留不规则点的结构细节。这种设计无需在推理时依赖外部数字地形模型即可实现高分辨率高度测绘。此外，双表示增强了去噪和修复能力，缓解了噪声、各向异性点分布和数据空洞造成的问题。该流程具有内在可扩展性，研究证明结合光学卫星图像可提供互补信息并进一步提升重建质量。
在慕尼黑和柏林城市区域的实验验证表明了该方法在不同数据采集条件下的有效性。这些结果强调了该方法作为迈向业务化、大规模建筑物高度测绘的概念验证的潜力。该研究首次提出了直接从TomoSAR点云进行大规模城市高度测绘的概念验证，通过广泛实验验证了方法的有效性，并展示了融合光学卫星图像进一步提升重建质量的潜力。
关键技术方法包括：1）点云到网格编码器，通过PointNet层提取点特征并聚合到二维网格；2）跨拓扑优化模块，通过点与网格表示的交替转换实现特征增强；3）网格特征解码器，输出高度图和辅助建筑足迹预测；4）采用平均绝对误差和二元交叉熵的混合损失函数进行端到端训练；5）推理时通过重叠块加权融合生成无缝高度图。
研究结果表明，在柏林数据集上整体平均绝对误差为2.10米，慕尼黑数据集为3.27米。双拓扑网络相比传统插值方法显著提升了重建精度，特别是在处理噪声大、分布不均的点云时优势明显。通过引入辅助建筑足迹监督，有效提升了在低质量数据上的表现。融合光学卫星图像进一步降低了重建误差，特别是在细节恢复和稀疏区域补全方面表现突出。
该研究的创新性主要体现在三个方面：提出了首个基于学习的从星载TomoSAR点云重建建筑物高度图的框架；设计了双拓扑神经网络结构，有效结合了点拓扑和网格拓扑的优势；展示了框架的可扩展性，通过融合光学图像进一步提升重建质量。这些贡献为利用多源遥感数据进行大规模城市三维建模开辟了新途径，特别是在数据获取条件受限的区域具有重要应用价值。
未来研究方向包括不确定性感知建模，利用TomoSAR点云的信噪比信息进行加权训练； scalable多传感器集成，结合激光雷达或摄影测量点云进行完整三维建模；弱监督或自监督策略，在标签稀缺区域保持性能。这些方向将有助于将该方法推广到更广泛的地理区域和应用场景，为全球城市化和可持续发展目标监测提供技术支持。
