《Remote Sensing》：Assessment of Flood Risk Using Remote Sensing and GIS Techniques Based on the Analytic Hierarchy Process (AHP) and Fuzzy AHP (FAHP) in the R’Dom Watershed (Meknes, Morocco)
编辑推荐：
三维高斯泼溅（3D Gaussian Splatting）在多视图表面重建任务中有效，这是摄影测量应用的基础。主流流程侧重于优化显式高斯体以提升体渲染质量，通常依赖基于渲染的截断有符号距离函数（TSDF）方法进行重建，而训练和网格化常因遮挡或受限视角出现细节缺
三维高斯泼溅（3D Gaussian Splatting）在多视图表面重建任务中有效，这是摄影测量应用的基础。主流流程侧重于优化显式高斯体以提升体渲染质量，通常依赖基于渲染的截断有符号距离函数（TSDF）方法进行重建，而训练和网格化常因遮挡或受限视角出现细节缺失和几何畸变。本文聚焦于一个新问题定义：直接利用已训练高斯曲面（Gaussian Surfels）的几何特征构建隐式表面表示。针对该问题，研究人员提出了一种具有空间感知的高斯曲面重建框架（Gaussian Surfels with Spatial Awareness，GSSA），该框架通过三维精炼器从几何基元优化曲面分布，并通过整合体素顶点到邻近曲面的有符号距离来构建有符号距离函数（SDF）。与现有最先进的基于高斯体（GS）特别是基于曲面（Surfel）的重建方法相比，GSSA在几何精度和效率上均达到竞争性平衡。在陆基（室内物体）和空基（摄影测量）重建基准测试中，GSSA在重建时间和精度之间保持了竞争性平衡。进一步的迁移实验表明，GSSA也可作为即插即用模块集成到通用基于曲面的流水线中。
**论文解读：基于空间感知高斯曲面的三维表面重建方法（GSSA）**
**研究背景与问题**
三维表面重建是摄影测量与计算机视觉的核心任务，广泛应用于城市建模、地形重建、文化遗产数字化和自动驾驶等领域。传统方法依赖多视图立体匹配（MVS）生成深度图，再通过有符号距离函数（SDF）或截断有符号距离函数（TSDF）融合提取等值面。近年来，三维高斯泼溅（3D Gaussian Splatting，3DGS）作为一种高效显式表示，从新视图合成（NVS）任务扩展到重建领域。然而，现有主流方法主要基于渲染范式：将高斯体投影到多视图深度中，再通过TSDF融合获取表面。这种二维-三维切换范式存在内在缺陷：多视图深度不一致、视角遮挡导致结构缺失，且高斯体几何不规则会造成表面畸变。尽管已有研究采用高斯曲面（Gaussian Surfels）表示以提升表面贴合度，但重建阶段仍依赖渲染深度，未能充分利用曲面的空间几何特征。因此，研究人员提出一个新问题定义：直接从训练好的高斯曲面显式几何特征中构建隐式表面表示，以解耦重建与渲染流程，提升精度与鲁棒性。
**研究方法：主要关键技术**
研究提出的GSSA框架包含三个核心模块：首先，一个三维空间感知精炼器（3D Refiner），通过去噪器（基于最小尺度和最近邻距离阈值去除离群曲面）和平面填充器（基于法向一致性和共面性判断在平面区域插入新曲面）对训练后的高斯曲面进行几何精炼；其次，一种基于体素的SDF构建方法，直接计算体素顶点到邻近精炼曲面的有符号距离，并采用指数型权重函数（基于曲面不透明度）进行加权融合，同时通过投影剔除（基于马氏距离）和距离剔除（仅保留曲面所在体素顶点）以及权重剔除（去除低权重顶点）抑制噪声；最后，通过Marching Cubes算法提取等值面。训练阶段采用CityGaussianV2-Coarse策略（含光度监督、单目深度监督、深度畸变正则项和深度-法向一致性正则项），在单张NVIDIA RTX 4090 GPU上进行20,000步迭代。数据集包括DTU（室内物体）、Tanks & Temples（室内外场景）、Deep Blending（室内）、BlendedMVS（摄影测量场景）以及自建无人机（UAV）垂直摄影测量数据集（LiDAR点云作为真值）。
**研究结果**
**5.2 细节评估：TSDF与GSSA对比**
在Deep Blending Drjohnson场景和UAV数据集中，GSSA生成的网格纹理更清晰（如地毯）、几何更真实（如椅子、地板）、角落结构更准确（避免TSDF的遮挡过平滑），且场景成分更完整（如UAV中的树木）。
**5.3 陆基重建数据集评估**
在DTU和Tanks & Temples数据集上，GSSA在几何质量上显著优于所有基线（TSDF、Poisson、α-Shape、GOF、PGSR、NeuS）。量化指标（平均精度、召回率、F1分数、Chamfer距离、平均法向误差、Hausdorff距离）均取得最优。时间效率分析表明，GSSA在达到最佳精度的同时，总耗时（训练+提取）与TSDF相当，远低于GOF和NeuS，实现了效率与精度的平衡。
**5.4 空基摄影测量数据集评估**
在BlendedMVS和UAV数据集上，GSSA对建筑大尺度结构表面提取优势明显，对垂直摄影测量中柱状结构等几何体具有更强的空间感知能力，避免了TSDF因渲染畸变和遮挡导致的缺失。在BlendedMVS中，GSSA在稀疏视角和低分辨率条件下仍保持较好的几何完整性（如温室、电线杆），F1分数最优，但地面区域因训练致密化不足仍存在缺失。
**5.5 迁移分析**
GSSA作为即插即用模块，可迁移至其他基于高斯曲面的训练框架（如2DGS）。在Caterpillar和CreepyAttic场景中，GSSA在几何完整性上优于TSDF基线，但在无遮挡视角下渲染质量略逊于TSDF，表明需进一步优化权衡。
**5.6 消融研究**
通过逐步添加三维精炼器（去噪器和填充器）及剔除策略，精度和召回率显著提升，验证了各模块的互补作用。指数型权重函数相比线性函数和常数函数，能更有效分离高低置信度顶点，降低噪声，取得最佳几何质量。
**讨论与结论**
**讨论**
GSSA首次强调显式利用曲面几何特征进行重建，在主流重建视角中取得优越几何性能。稀疏体素策略带来的工程可行性（UAV数据峰值内存7.07 GB，低于TSDF的8.48 GB）为大规模摄影测量、SLAM和地形建模提供了潜力。但存在局限性：对半透明物体可能产生畸变（需引入透明度感知损失或单目深度先验）；当前仅基于曲面表示，未来可扩展至通用高斯椭球体以提升普适性；效率方面需进一步GPU加速（如CUDA体素哈希和Marching Cubes）以满足大规模应用。
**研究结论**
本文定义了一个新问题：从基于渲染训练的高斯曲面中利用显式几何特征构建隐式函数。研究人员提出了GSSA方法，具备空间感知与可解释性：通过三维精炼器对高斯曲面进行空间精炼，并直接从曲面几何特征构建SDF。该方法解决了现有基于渲染的训练和表面表示流程的局限性。实验表明，该方法在多种陆基和空基重建基准上，在不引入渲染畸变的前提下，从训练好的高斯曲面中实现了最先进的几何精度，展现出在摄影测量中物体和地形重建应用的强大潜力。
