报告人：陈昊（德国柏林工业大学 博士生）

时间：2024年9月24日（周二）14:00-15:30

地点：测绘馆206报告厅

报告简介：

传统的行星地形建模方法，包括Stereo-Photogrammetry (SPG) 和Stereo-Photoclinometry (SPC)——后者在单视影像情境下亦被称为Shape-from-Shading (SFS)——在行星科学领域已经发展几十年。近年来，随着行星探测任务获取了海量高分辨率光学影像数据，为深入了解行星、卫星、小行星和彗星提供了新机遇。鉴于深度学习技术在处理大数据方面的优势，本研究将探索其在行星地形建模中的新应用。针对大小天体的多样化探测模式，本汇报以大天体（月球）和小天体（Itokawa，Ryugu）为例，分别介绍了适用于各自特性的深度学习方法。鉴于当前高分辨率影像数据已能广泛覆盖月球表面，但立体影像对仍显不足的现状，本报告首先介绍了基于单视影像技术的高分辨率月球地形恢复方法。对于小天体而言，基于SPC和SPG的精细全局形状建模方法往往依赖于大量影像数据，且对影像的覆盖条件有特定要求。针对这一挑战，本报告深入探讨了基于神经辐射场的小天体神经隐式形状建模方法。该方法旨在通过显著减少所需影像数量，实现小天体的高分辨率全局形状建模。

报告人简介：

陈昊，柏林工业大学大地测量与地理信息科学系在读博士生，同济大学测绘与地理信息学院硕士。获柏林工业大学赴意大利特伦托大学国际交流奖学金。他在遥感和行星科学等领域学术期刊和会议上发表多篇论文，其中包括以第一作者或通讯作者身份在ISPRS, IEEE JSTARS等权威期刊上发表了3篇论文。此外，他还担任了IEEE TGRS，AISR等国际学术期刊的审稿人。他的研究兴趣包括月球着陆点选取，基于高分辨率光学影像的月球形貌反演，小行星形状和地形高精度建模。