SatGeo-NeRF: Geometrically Regularized NeRF for Satellite Imagery

📄 arXiv: 2603.21931v1 📥 PDF

作者: Valentin Wagner, Sebastian Bullinger, Michael Arens, Rainer Stiefelhagen

分类: cs.CV

发布日期: 2026-03-23

备注: Accepted at the ISPRS Congress 2026

💡 一句话要点

SatGeo-NeRF：针对卫星图像，提出几何正则化的NeRF方法，缓解过拟合导致的几何伪影。

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

关键词: 卫星图像重建 NeRF 几何正则化 遥感 三维重建

📋 核心要点

  1. 现有NeRF模型在卫星图像重建中存在过拟合问题，导致重建结果出现几何伪影。
  2. SatGeo-NeRF通过引入三个几何正则化器，约束深度、法线和学习过程，提升几何一致性。
  3. 在DFC2019数据集上，SatGeo-NeRF显著降低了平均海拔误差，优于EO-NeRF和EO-GS等基线模型。

📝 摘要（中文）

本文提出了SatGeo-NeRF，一种针对卫星图像的几何正则化NeRF，它通过三个与模型无关的正则化器来缓解现有先进模型中观察到的由过拟合引起的几何伪影。重力对齐的平面正则化将深度推断的近似表面法线与重力轴对齐，以促进局部平面性，并通过相应的表面近似将相邻光线耦合，以促进跨光线梯度流动。粒度正则化强制执行从粗到细的几何学习方案，深度监督正则化稳定早期训练，以提高几何精度。在DFC2019卫星重建基准测试中，相对于EO-NeRF和EO-GS等最先进的基线，SatGeo-NeRF将平均海拔误差降低了13.9%和11.7%。

🔬 方法详解

问题定义：现有NeRF方法在卫星图像重建中，容易受到过拟合的影响，导致重建的3D模型出现不真实的几何结构，例如不平整的表面和扭曲的建筑物。这是因为卫星图像的视角和光照条件相对固定，缺乏足够的多样性来约束NeRF的学习过程。现有方法难以保证重建结果的几何一致性和准确性。

核心思路：SatGeo-NeRF的核心思路是通过引入几何先验知识来约束NeRF的学习过程，从而缓解过拟合问题。具体来说，它利用了卫星图像场景中常见的几何特征，例如局部平面性和重力方向，以及从粗到细的学习策略，来正则化NeRF的深度和法线估计，从而提高重建结果的几何准确性。

技术框架：SatGeo-NeRF的整体框架是在标准的NeRF基础上添加了三个几何正则化模块：1) 重力对齐的平面正则化：约束表面法线与重力方向对齐，促进局部平面性；2) 粒度正则化：采用从粗到细的学习策略，先学习粗糙的几何结构，再逐步细化；3) 深度监督正则化：利用额外的深度信息（如果可用）来稳定早期训练。这些正则化项被添加到NeRF的损失函数中，共同优化网络参数。

关键创新：SatGeo-NeRF的关键创新在于提出了三个模型无关的几何正则化器，这些正则化器可以很容易地集成到现有的NeRF模型中，而无需修改NeRF的网络结构。这些正则化器利用了卫星图像场景的特定几何先验知识，有效地缓解了过拟合问题，提高了重建结果的几何准确性。与现有方法相比，SatGeo-NeRF更加关注几何一致性，并利用几何先验知识来约束学习过程。

关键设计：1) 重力对齐的平面正则化：通过计算深度推断的表面法线与重力方向之间的余弦相似度，并将其作为正则化项添加到损失函数中。2) 粒度正则化：通过控制NeRF网络中MLP的层数和神经元数量，实现从粗到细的学习策略。在早期训练阶段，使用较少的层数和神经元，学习粗糙的几何结构；在后期训练阶段，增加层数和神经元，细化几何结构。3) 深度监督正则化：如果存在额外的深度信息，则将其作为监督信号，添加到损失函数中，以稳定早期训练。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SatGeo-NeRF在DFC2019卫星重建基准测试中取得了显著的性能提升。相对于EO-NeRF，SatGeo-NeRF将平均海拔误差降低了13.9%。相对于EO-GS，SatGeo-NeRF将平均海拔误差降低了11.7%。这些结果表明，SatGeo-NeRF能够有效地缓解过拟合问题，提高卫星图像重建的几何精度。

🎯 应用场景

SatGeo-NeRF在遥感领域具有广泛的应用前景，例如城市建模、环境监测、灾害评估和地图更新等。通过提高卫星图像重建的几何精度，可以为这些应用提供更准确的3D模型，从而提高决策的可靠性和效率。未来，该方法可以扩展到其他类型的遥感数据，例如航空影像和激光雷达数据，以实现更全面的3D重建。

📄 摘要（原文）

We present SatGeo-NeRF, a geometrically regularized NeRF for satellite imagery that mitigates overfitting-induced geometric artifacts observed in current state-of-the-art models using three model-agnostic regularizers. Gravity-Aligned Planarity Regularization aligns depth-inferred, approximated surface normals with the gravity axis to promote local planarity, coupling adjacent rays via a corresponding surface approximation to facilitate cross-ray gradient flow. Granularity Regularization enforces a coarse-to-fine geometry-learning scheme, and Depth-Supervised Regularization stabilizes early training for improved geometric accuracy. On the DFC2019 satellite reconstruction benchmark, SatGeo-NeRF improves the Mean Altitude Error by 13.9% and 11.7% relative to state-of-the-art baselines such as EO-NeRF and EO-GS.