SurfNeHF：基于表面感知的神经高度场技术，利用众包GNSS数据实现高效的三维城市测绘

《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》：SurfNeHF: Surface-Aware Neural Height Fields for Efficient 3D Urban Mapping Using Crowdsourced GNSS Data

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

现代城市越来越依赖3D城市地图作为数字基础设施，以支持导航、自动驾驶、城市发展以及蜂窝网络规划等应用。然而，由于航空影像或LiDAR数据成本高昂且获取困难，要保持这些地图的高精度并及时更新仍是一项挑战。在本研究中，我们提出了SurfNeHF这一轻量级深度学习框架，它能够从有噪声的众包GNSS数据中准确推断出建筑物形状。该框架通过将光学反向渲染技术应用于射频领域，将建筑物表面表示为神经高度场，并明确建模信号与表面的相互作用。这种基于表面的建模方式使得该框架能够有效区分建筑物几何结构、表面反射特性以及卫星信号源，相比体积法大大降低了优化复杂度。大量实验表明，SurfNeHF在多种城市形态下的表现均优于现有最先进方法。该框架的平均重建精度可达94.6%，同时相比基准方法可减少80%至90%的计算开销。凭借更高的数据利用效率和系统效率，SurfNeHF使得定期进行大规模城市地图更新变得更加可行。

AI总结

AI生成的总结（实验性内容）

此总结是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及让相关领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的主要总结。完整文章才是具有权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。