Under-Canopy Terrain Reconstruction in Dense Forests Using RGB Imaging and Neural 3D Reconstruction

📄 arXiv: 2601.22861v1 📥 PDF

作者: Refael Sheffer, Chen Pinchover, Haim Zisman, Dror Ozeri, Roee Litman

分类: cs.CV, cs.CY, cs.ET, cs.GR

发布日期: 2026-01-30

备注: WACV 2026 CV4EO

💡 一句话要点

提出基于RGB图像和神经辐射场的森林冠层下地形重建方法

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 森林地形重建 神经辐射场 RGB图像 冠层去除 三维重建

📋 核心要点

  1. 现有森林地形测绘方法依赖昂贵的LiDAR或定制的AOS，成本高且适用性受限。
  2. 利用NeRF从RGB图像重建森林地面视图，通过控制光线积分去除冠层遮挡。
  3. 实验表明，该方法在搜索救援和森林资源调查任务中表现出潜力，可替代专业传感器。

📝 摘要（中文）

本文提出了一种仅使用常规RGB图像重建森林冠层下无遮挡、照片级真实感地面视图的新方法。该方案基于神经辐射场（NeRF），一种新兴的3D重建技术。此外，论文还考虑了特定的图像捕获策略，以确保足够的照明来成功曝光冠层下的场景，并采用低光损耗技术来应对光照不足的林下环境。最后，提出了两种互补的方法，通过控制每条光线的积分过程来移除遮挡的冠层元素。实验验证了该方法在搜索与救援（SAR）和森林资源调查等下游任务中的价值，证明了其作为专业传感器的经济高效、高分辨率替代方案的潜力。

🔬 方法详解

问题定义：论文旨在解决在茂密森林中，利用低成本的RGB图像重建冠层下地形的问题。现有方法，如LiDAR和AOS，存在成本高昂、设备笨重或适用场景受限等痛点。这些痛点限制了森林环境下的搜索救援、路径规划和森林资源调查等应用。

核心思路：论文的核心思路是利用NeRF强大的三维重建能力，从RGB图像中学习场景的辐射场，并在此基础上，通过控制光线积分过程，去除遮挡的冠层元素，从而重建出无冠层的地面视图。这种方法避免了对昂贵传感器的依赖，降低了成本，并提高了灵活性。

技术框架：该方法主要包含以下几个阶段：1) 图像采集：针对森林光照条件，采用特定的图像捕获策略，保证图像质量。2) NeRF训练：利用采集的RGB图像训练NeRF模型，学习场景的辐射场。3) 冠层去除：提出两种互补的方法，通过控制每条光线的积分过程，去除遮挡的冠层元素。4) 地面视图重建：利用训练好的NeRF模型，渲染出无冠层的地面视图。

关键创新：该方法最重要的技术创新点在于提出了两种互补的冠层去除方法，通过控制每条光线的积分过程，有效地移除了遮挡的冠层元素。这使得NeRF能够应用于森林冠层下的地形重建，而无需依赖深度信息或其他辅助传感器。与现有方法相比，该方法仅使用RGB图像，降低了成本，并提高了灵活性。

关键设计：论文中，图像采集时考虑了低光照环境，采用了低光损耗的图像捕获策略。在NeRF训练过程中，可能需要调整学习率、批大小等超参数，以适应森林场景的特点。两种冠层去除方法的具体实现细节（例如，光线积分的阈值设置、权重函数的设计等）是影响重建效果的关键因素。具体的损失函数和网络结构细节未在摘要中提及，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文展示了该方法在搜索救援任务中的应用，与使用热成像的AOS方法相比，仅使用RGB图像也能取得有竞争力的结果。此外，论文还展示了该方法在树木计数方面的潜力，表明其可以作为森林资源调查的有效工具。具体的性能数据和提升幅度未在摘要中提及，属于未知信息。

🎯 应用场景

该研究成果可应用于多个领域，包括：1) 搜索与救援：帮助搜救人员在森林环境中快速定位目标。2) 路径规划：为徒步旅行者和车辆提供准确的地面信息。3) 森林资源调查：用于树木计数、生物量估算等。该方法降低了森林测绘的成本，提高了效率，具有广阔的应用前景。

📄 摘要（原文）

Mapping the terrain and understory hidden beneath dense forest canopies is of great interest for numerous applications such as search and rescue, trail mapping, forest inventory tasks, and more. Existing solutions rely on specialized sensors: either heavy, costly airborne LiDAR, or Airborne Optical Sectioning (AOS), which uses thermal synthetic aperture photography and is tailored for person detection. We introduce a novel approach for the reconstruction of canopy-free, photorealistic ground views using only conventional RGB images. Our solution is based on the celebrated Neural Radiance Fields (NeRF), a recent 3D reconstruction method. Additionally, we include specific image capture considerations, which dictate the needed illumination to successfully expose the scene beneath the canopy. To better cope with the poorly lit understory, we employ a low light loss. Finally, we propose two complementary approaches to remove occluding canopy elements by controlling per-ray integration procedure. To validate the value of our approach, we present two possible downstream tasks. For the task of search and rescue (SAR), we demonstrate that our method enables person detection which achieves promising results compared to thermal AOS (using only RGB images). Additionally, we show the potential of our approach for forest inventory tasks like tree counting. These results position our approach as a cost-effective, high-resolution alternative to specialized sensors for SAR, trail mapping, and forest-inventory tasks.