HLC-GS: Risk-Map-Guided Height-Layer Consistency Gaussian Splatting for DSM Reconstruction from Optical Satellite Imagery

📄 arXiv: 2609.16772v1 📥 PDF

作者: Jie Yang, Yingdong Pi, Qiyan Luo, Xiaoyu Wang, Lekang Wen, Mi Wang

分类: cs.CV

发布日期: 2026-09-15

💡 一句话要点

提出HLC-GS以解决DSM重建中的高度层混合问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 数字表面模型 高斯喷溅 高度层一致性 风险图 遥感影像

📋 核心要点

  1. 现有的3DGS方法在DSM生成中存在高度层混合问题，导致非物理的高度和混合误差。
  2. HLC-GS通过引入风险图和层级校正模块，确保每个像素的高度层一致性，从而提高DSM重建的精度。
  3. 实验结果表明，HLC-GS在多个数据集上显著降低了平均绝对误差（MAE）和均方根误差（RMSE），提升了重建质量。

📝 摘要（中文）

数字表面模型（DSM）是表示地球表面高度的基本地理空间数据产品。近年来，3D高斯喷溅（3DGS）在基于多视角光学卫星影像的DSM重建中展现出显著潜力。然而，3DGS生成的DSM中，基于alpha加权的高斯高度聚合可能导致同一渲染像素或DSM采样位置的高度层混合，产生非物理的中间高度和高度层混合误差。为了解决这一问题，本文提出了一种风险图引导的高度层一致性高斯喷溅方法（HLC-GS）。HLC-GS包括风险图模块、主层可靠性校正模块和次层抑制模块，能够定位高风险像素并规范化不可靠的主层响应。通过在DFC2019和IARPA2016数据集上的广泛实验，HLC-GS在整体准确性上优于六种最先进的DSM重建方法。

🔬 方法详解

问题定义：本文旨在解决基于3D高斯喷溅的DSM重建中高度层混合导致的非物理高度和混合误差问题。现有方法在聚合不同高度层的高斯时，容易在同一像素位置产生不一致的高度信息。

核心思路：HLC-GS的核心思想是通过风险图引导和层级校正，确保每个像素的高度层一致性，从而减少高度层混合的影响，提升DSM的几何质量。

技术框架：HLC-GS的整体架构包括三个主要模块：风险图模块用于定位高风险像素，主层可靠性校正模块用于规范化不可靠的主层响应，次层抑制模块用于抑制支持不足的次层响应。

关键创新：HLC-GS的主要创新在于显式建模每个像素的高度层一致性，这一设计有效缓解了高度层混合问题，与传统方法相比，提供了更为精确的高度信息。

关键设计：在技术细节上，HLC-GS采用了特定的损失函数来优化主层和次层的响应，并通过风险图的生成来指导模型的训练过程，确保模型在高风险区域的表现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

HLC-GS在DFC2019和IARPA2016数据集上的实验结果显示，平均绝对误差（MAE）从1.46米降低至1.18米，均方根误差（RMSE）从2.78米降低至2.58米，同时PAG$_{2.5}$从86.09%提升至88.61%，显著提高了DSM重建的整体准确性。

🎯 应用场景

该研究的潜在应用领域包括城市规划、环境监测和灾害评估等。通过提供更准确的地表高度信息，HLC-GS能够为相关领域的决策提供支持，提升地理信息系统的应用价值。未来，该方法有望在更广泛的遥感数据处理和分析中发挥重要作用。

📄 摘要（原文）

A Digital Surface Model (DSM) is a fundamental geospatial data product for representing the elevation of the Earth's surface. Recently, 3D Gaussian Splatting (3DGS) has shown considerable potential for DSM reconstruction from multi-view optical satellite imagery due to its explicit scene representation and efficient optimization. However, in 3DGS-based DSM generation, alpha-weighted aggregation of Gaussian altitudes may blend splats from different height layers at the same rendered pixel or DSM sampling location, producing non-physical intermediate elevations and height-layer mixing errors. To address this problem, we propose HLC-GS, a risk-map-guided height-layer consistency Gaussian Splatting method for DSM reconstruction from optical satellite imagery. HLC-GS consists of a risk map module, a dominant-layer reliability correction module, and a secondary-layer suppression module. The risk map localizes high-risk pixels with abnormal height dispersion and unreliable dominant-layer responses, while the latter two modules regularize unreliable dominant-layer responses and suppress weakly supported far secondary-layer responses. Extensive experiments are conducted on the DFC2019 and IARPA2016 datasets. Compared with six state-of-the-art DSM reconstruction methods, HLC-GS achieves better overall accuracy. Compared with the latest and precision-enhanced EOGS, HLC-GS reduces the average MAE from 1.46 m to 1.18 m and the average RMSE from 2.78 m to 2.58 m over the evaluated scenes, while improving PAG$_{2.5}$ from 86.09\% to 88.61\%. Overall, these results demonstrate that explicitly modeling per-pixel height-layer consistency alleviates height-layer mixing and improves the geometric quality of 3DGS-based DSM reconstruction from optical satellite imagery.