TreeDGS: Aerial Gaussian Splatting for Distant DBH Measurement
作者: Belal Shaheen, Minh-Hieu Nguyen, Bach-Thuan Bui, Shubham, Tim Wu, Michael Fairley, Matthew David Zane, Michael Wu, James Tompkin
分类: cs.CV
发布日期: 2026-01-19
💡 一句话要点
TreeDGS：用于远距离胸径测量的空中高斯溅射方法
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D高斯溅射 胸径测量 空中遥感 森林资源调查 深度感知 不透明度积分 点云重建
📋 核心要点
- 传统方法在空中图像中测量树木胸径（DBH）时，由于树干像素占比小和几何约束弱而面临挑战。
- TreeDGS利用3D高斯溅射作为场景表示，通过深度感知的不透明度积分提取密集点云，并进行不透明度加权拟合。
- 实验表明，TreeDGS在DBH测量上优于LiDAR基线，RMSE降低至4.79厘米，验证了该方法在低成本测量中的有效性。
📝 摘要（中文）
空中遥感能够高效地进行大面积测量，但在复杂的自然场景中，精确的直接对象级测量仍然很困难。三维视觉的最新进展，特别是像NeRF和3D高斯溅射等学习辐射场表示，已经开始提高从姿态图像重建保真度和可密集几何体的上限。然而，直接空中测量重要的自然属性，如树木胸径（DBH）仍然具有挑战性。在典型的飞行高度下，空中森林扫描中的树干是遥远的，并且在图像视图中稀疏地观察到：树干可能只跨越几个像素。在这些约束条件下，传统的重建方法使得胸高处的树干几何形状受到微弱的约束。我们提出了一种空中图像重建方法TreeDGS，该方法利用3D高斯溅射作为连续的、可密集化的场景表示来进行树干测量。在SfM-MVS初始化和高斯优化之后，我们使用RaDe-GS的深度感知累积不透明度积分从高斯场中提取一个密集的点集，并将每个样本与多视图不透明度可靠性评分相关联。然后，我们使用不透明度加权实心圆拟合从树干隔离点估计DBH。在10个具有现场测量DBH的地块上进行评估，TreeDGS达到4.79厘米的RMSE（大约是该GSD下的2.6像素），并且优于最先进的LiDAR基线（7.91厘米的RMSE），这表明基于密集溅射的几何体能够实现精确、低成本的空中DBH测量。
🔬 方法详解
问题定义：论文旨在解决利用空中图像精确测量树木胸径（DBH）的问题。现有方法，特别是传统的重建方法，在处理远距离、低像素占比的树干时，几何约束不足，导致测量精度不高。LiDAR虽然精度较高，但成本也较高。
核心思路：论文的核心思路是利用3D高斯溅射（3D Gaussian Splatting）作为场景的连续且可密集化的表示。通过优化高斯参数，可以更准确地重建树干的几何形状。然后，利用深度感知的不透明度积分提取密集的点云，并结合多视图不透明度可靠性评分，提高点云质量。
技术框架：TreeDGS的整体流程包括以下几个阶段：1) 使用SfM-MVS进行初始化；2) 对高斯参数进行优化；3) 使用RaDe-GS的深度感知累积不透明度积分从高斯场中提取密集点云；4) 将每个点与多视图不透明度可靠性评分关联；5) 从树干隔离点使用不透明度加权实心圆拟合估计DBH。
关键创新：该方法的关键创新在于将3D高斯溅射应用于空中DBH测量，并结合深度感知的不透明度积分和多视图不透明度可靠性评分，有效地提高了树干几何重建的精度。与直接使用点云或体素的方法相比，高斯溅射能够更好地表示连续的场景几何，并允许进行可微优化。
关键设计：论文使用了RaDe-GS的深度感知累积不透明度积分方法来提取点云。DBH的估计采用了不透明度加权实心圆拟合，即在拟合圆时，每个点对圆的贡献由其不透明度决定。这种加权方式可以减少噪声点的影响，提高拟合精度。具体参数设置和损失函数细节在论文中未详细说明，属于未知部分。
🖼️ 关键图片
📊 实验亮点
TreeDGS在10个具有现场测量DBH的地块上进行了评估，结果表明，该方法达到了4.79厘米的RMSE，优于最先进的LiDAR基线（7.91厘米的RMSE）。这意味着TreeDGS能够以较低的成本实现与LiDAR相近甚至更高的测量精度，证明了基于密集溅射的几何体在空中DBH测量中的有效性。
🎯 应用场景
TreeDGS具有广泛的应用前景，可用于森林资源调查、生态监测、精准林业等领域。通过低成本的空中图像，可以快速、准确地测量大面积森林的DBH，为森林管理和碳储量评估提供重要数据支持。该方法还可以扩展到其他自然属性的测量，例如树高、树冠直径等，具有重要的实际应用价值和未来发展潜力。
📄 摘要（原文）
Aerial remote sensing enables efficient large-area surveying, but accurate direct object-level measurement remains difficult in complex natural scenes. Recent advancements in 3D vision, particularly learned radiance-field representations such as NeRF and 3D Gaussian Splatting, have begun to raise the ceiling on reconstruction fidelity and densifiable geometry from posed imagery. Nevertheless, direct aerial measurement of important natural attributes such as tree diameter at breast height (DBH) remains challenging. Trunks in aerial forest scans are distant and sparsely observed in image views: at typical operating altitudes, stems may span only a few pixels. With these constraints, conventional reconstruction methods leave breast-height trunk geometry weakly constrained. We present TreeDGS, an aerial image reconstruction method that leverages 3D Gaussian Splatting as a continuous, densifiable scene representation for trunk measurement. After SfM-MVS initialization and Gaussian optimization, we extract a dense point set from the Gaussian field using RaDe-GS's depth-aware cumulative-opacity integration and associate each sample with a multi-view opacity reliability score. We then estimate DBH from trunk-isolated points using opacity-weighted solid-circle fitting. Evaluated on 10 plots with field-measured DBH, TreeDGS reaches 4.79,cm RMSE (about 2.6 pixels at this GSD) and outperforms a state-of-the-art LiDAR baseline (7.91,cm RMSE), demonstrating that densified splat-based geometry can enable accurate, low-cost aerial DBH measurement.