KI SpotlightNewsDiffusionsmodell senkt Höhenfehler in Städten um fast die Hälfte
Studie von Thales und CNES verbessert photogrammetrische Digital Surface Models mit multimodaler Konditionierung
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Der Titel der Studie lautet 'Enhancing Photogrammetric Digital Surface Models with Pretrained Diffusion Models and Multimodal Conditioning'.
- Die Studie untersucht Diffusionsmodelle, die sowohl auf photogrammetrischen DSMs als auch auf Pléiades-Bildern konditioniert werden, um vertikal koregistrierte DSMs zu verfeinern.
- Es wird eine modifizierte Stable Diffusion 3 Architektur mit beschnittenem Textstrom und einer patch-weisen Normalisierungsstrategie eingeführt.
- Die Experimente in französischen Städten zeigen, dass multimodale Konditionierung die Höhengenauigkeit verbessert: Der Dense Urban RMSE sinkt von 6,00 auf 3,45 m in den In-Context-Städten und von 4,16 auf 2,77 m in der zurückgehaltenen Stadt Bordeaux.
- Die Forscher stammen von Thales und CNES.
- Photogrammetrische DSMs aus Satellitenbildern sind kostengünstig, aber oft durch Rauschen, Ausreißer und Lücken verunreinigt; luftgestütztes LiDAR liefert hohe Genauigkeit zu deutlich höheren Kosten.
Diffusionsmodell senkt Höhenfehler in Städten um fast die Hälfte
Eine Studie von Thales und CNES zeigt, dass multimodale Konditionierung mit Pléiades-Bildern und photogrammetrischen Digital Surface Models (DSMs) die Höhengenauigkeit in städtischen Gebieten deutlich verbessert. In dichten urbanen Gebieten der im Training verwendeten französischen Städte sank der RMSE (Root Mean Square Error) von 6,00 auf 3,45 Meter. In der zurückgehaltenen Stadt Bordeaux reduzierte sich der Wert von 4,16 auf 2,77 Meter. Die Forscher führen dies darauf zurück, dass das Modell sowohl die kostengünstigen, aber fehlerbehafteten photogrammetrischen DSMs als auch die hochauflösenden Pléiades-Satellitenbilder als Eingabe nutzt und so Rauschen, Ausreißer und Lücken gezielt korrigieren kann. Die Ergebnisse stammen aus Experimenten in französischen Städten; Bordeaux diente als unabhängiger Test, um die Übertragbarkeit zu prüfen. Die Verbesserung entspricht einer Reduktion um etwa 42 Prozent im dichten urbanen Gebiet.
Modifizierte Stable Diffusion 3 mit patch-weiser Normalisierung
Technisch setzt die Arbeit auf eine modifizierte Stable-Diffusion-3-Architektur. Der Textstrom des Modells wird beschnitten, und eine patch-weise Normalisierungsstrategie sorgt dafür, dass das Training auf LiDAR-Daten stabil bleibt. Dadurch lassen sich vortrainierte Merkmale aus natürlichen Bildern auf Höhenkarten übertragen. Das Modell wird auf photogrammetrischen DSMs und Pléiades-Bildern konditioniert, um vertikal koregistrierte DSMs zu verfeinern. Ziel ist es, die typischen Artefakte photogrammetrischer Verfahren – Rauschen, Ausreißer und Lücken – zu reduzieren, ohne auf teure LiDAR-Befliegungen angewiesen zu sein. Die patch-weise Normalisierung verhindert, dass lokale Höhenunterschiede das Training destabilisieren, und ermöglicht so die Übertragung von Bildmerkmalen auf Höhenkarten. Die Forscher betonen, dass diese Architektur speziell für die Verarbeitung von LiDAR-Daten angepasst wurde.
Günstige Satelliten-DSMs statt teurer LiDAR-Befliegungen
Photogrammetrische DSMs aus Satellitenbildern lassen sich kostengünstig in großem Maßstab erzeugen, sind jedoch häufig durch Rauschen, Ausreißer und Lücken verunreinigt. Luftgestütztes LiDAR liefert dagegen hochgenaue Höhenmessungen, verursacht aber deutlich höhere Kosten. Die vorgestellte Methode zielt darauf ab, diese Lücke zu schließen: Sie kombiniert die günstige Erzeugung photogrammetrischer DSMs mit der Genauigkeit, die bislang vor allem LiDAR vorbehalten war.
