Agentic Building-Aware Satellite Gaussian Splatting for Auditable Urban DSM Reconstruction

📄 arXiv: 2609.25578v1 📥 PDF

作者: Wentao Sun, Zhengsen Xu, Yiping Chen, John S. Zelek, Jonathan Li

分类: cs.CV

发布日期: 2026-09-22

备注: 7 pages, 6 figures

💡 一句话要点

提出建筑感知卫星高斯点云重建方法以提升城市DSM重建精度

🎯 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: 城市三维重建 卫星影像 高斯点云 建筑感知 语义先验 深度学习 地理信息系统 灾害响应

📋 核心要点

  1. 现有的神经渲染方法在城市三维重建中未能有效聚焦于建筑结构，导致重建精度不足。
  2. 本文提出了一种建筑感知的高斯点云重建方法，结合语义先验和策略选择，优化建筑区域的重建效果。
  3. 实验结果显示，建筑区域的MAE显著降低，且全场景的重建精度也得到了提升，验证了方法的有效性。

📝 摘要（中文）

城市规模的三维重建依赖于卫星影像，支持灾害响应、城市监测和地理空间数字双胞胎。然而，现有的神经渲染方法通常优化平均视觉保真度，而非分析师首要关注的建筑结构。本文提出了一种建筑感知卫星高斯点云重建工作流程，利用Segment Anything衍生的建筑掩膜作为语义先验，并通过Agentic Reconstruction Controller选择、验证和记录DSM重建策略。在DFC2019 JAX_004场景中，建筑感知加权将建筑区域DSM的平均绝对误差（MAE）从0.844米降低至0.806米，表明语义先验能够将重建能力转向分析师关注的区域。分阶段调度提供了平衡的操作点，使全场景MAE从1.362米改善至1.349米，同时保持建筑增益。

🔬 方法详解

问题定义：本文旨在解决城市三维重建中建筑结构重建精度不足的问题。现有方法通常优化整体视觉效果，而忽视了建筑区域的细节，导致重建结果不够准确。

核心思路：提出的建筑感知卫星高斯点云重建方法利用建筑掩膜作为语义先验，通过Agentic Reconstruction Controller选择和验证重建策略，专注于分析师关注的建筑区域，从而提升重建精度。

技术框架：整体架构包括四个主要模块：1) 语义先验生成模块，利用Segment Anything生成建筑掩膜；2) Agentic Reconstruction Controller，负责选择和验证重建策略；3) 建筑区域DSM重建模块，专注于建筑区域的高精度重建；4) 结果记录与审计模块，生成建筑清单元数据和决策记录。

关键创新：最重要的创新在于结合了语义先验与策略选择，使得重建过程能够针对建筑区域进行优化，显著提升了建筑区域的重建精度。与传统方法相比，该方法更具针对性和有效性。

关键设计：在参数设置上，采用建筑感知加权策略，损失函数设计为针对建筑区域的MAE优化，网络结构则基于高斯点云重建技术，确保在建筑区域的重建中获得更高的精度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，建筑感知加权策略将建筑区域的MAE从0.844米降低至0.806米，整体场景的MAE也从1.362米改善至1.349米，显示出显著的提升幅度，验证了方法的有效性和实用性。

🎯 应用场景

该研究在城市规划、灾害响应和地理信息系统（GIS）等领域具有广泛的应用潜力。通过提供高精度的建筑三维重建，能够支持城市管理者进行更有效的决策和资源配置，提升城市的可持续发展能力。未来，该方法还可以扩展到其他类型的地理空间数据分析中。

📄 摘要（原文）

Urban-scale 3D reconstruction from satellite imagery supports disaster response, city monitoring, and geospatial digital twins, yet neural rendering methods typically optimize average visual fidelity rather than the structures that analysts inspect first: buildings. We present an agentic building-aware satellite Gaussian Splatting workflow that uses Segment Anything-derived building masks as semantic priors and an Agentic Reconstruction Controller to select, verify, and record DSM reconstruction policies. On the DFC2019 JAX_004 scene, building-aware weighting reduces building-region DSM MAE from 0.844 m to 0.806 m, showing that semantic priors can shift reconstruction capacity toward analyst-critical regions. A staged schedule provides a balanced operating point, improving full-scene MAE from 1.362 m to 1.349 m while retaining a building gain. Across four JAX scenes, the Agent selects validated policies for both general DSM and building-focused DSM objectives, and produces building-inventory metadata and per-scene decision records. The system combines semantic priors, policy selection, region-specific DSM metrics, and DSM-derived GIS surface products for auditable urban 3D analysis.