阅读全文

http://xb.chinasmp.com/article/2025/1001-1595/1001-1595-2025-11-1917.shtml

地外天体的三维形貌重建，是指利用光学影像、激光测高、雷达数据等遥感观测数据获取或生成地外天体（如月球、火星、小行星等）表面地形地貌的空间几何信息，并构建其在三维空间中的数字化模型的过程[1]。近年来，随着月球、火星、小行星和天然卫星（如火卫一、火卫二、木卫二）等地外天体探测任务的持续推进，对其表面形貌与演化过程的认知也在不断深化，三维形貌模型作为表征天体表面几何结构的基础性数据产品，是开展地外天体探测工程任务不可或缺的空间信息支撑[2-3]。例如，围绕嫦娥七号、八号及国际月球科研站基本型的持续建设，要求构建从极区到赤道的精确地形模型，支撑着陆区评估、资源分布解析和长期运行保障[4]。我国刚刚发射的“天问二号”小行星采样返回任务，也将对小行星2016HO3进行三维形貌重建，获取其表面结构与构造形态，以实现采样点位的规划选址与着陆导航定位[5]。未来，我国将实施的“天问三号”采样返回任务及中长期规划中的载人登火任务，均对高精度、大范围、精细化的三维形貌重建能力提出了更高要求[6]。在为深空探测工程任务提供空间数据支持的同时，高精度的三维形貌模型不仅是进行地貌解译与地质演化分析的核心基础，还可支撑古水文气候重建、撞击坑计数与年代学研究，进而为揭示天体的形成与演化过程提供关键证据[7]。在地外资源的勘查与利用方面，三维形貌信息有助于判断光照条件、推断水冰与含水矿物分布，辅助资源提取与栖居区建设的空间布局[8-9]。可以说，面向火星、月球、小行星等地外天体构建高分辨率、自动化、可扩展的三维形貌模型，不仅是支撑我国未来深空探测工程的重要任务，也对拓展行星科学研究的深度与广度具有重要意义。

目前，地外天体（包括火星、月球、小行星等）的三维形貌重建主要依赖两类遥感数据：一是由被动式光学传感器获取的遥感影像，二是由主动式激光测高计/扫描仪获取的高程点云[10]。前者具有分辨率高、成像丰富的优势，后者则具备垂直精度高和绝对定位能力强的特点。两类数据在多次深空探测任务中均得到广泛应用，如：美国国家航空航天局（NASA）实施的“月球勘测轨道器”（lunar reconnaissance orbiter，LRO）任务，利用搭载的窄角相机（narrow angle camera，NAC）影像与激光测高仪（lunar orbiter laser altimeter，LOLA）数据联合处理，生成了高精度的月球控制图集[11]；我国的“天问一号”任务通过获取火星表面高分辨率成像相机（high resolution imaging camera，HiRIC）影像重建了着陆区所在的乌托邦平原等区域的高分辨率数字地形模型[12]；而日本的“隼鸟2号”（Hayabusa-2）对小行星Ryugu的探测则成功利用光学立体影像和激光测高计完成了不规则天体的精细三维建模[13]。在对这些遥感数据进行处理时，主要沿用了在对地观测中较为成熟的摄影测量、激光测高插值等三维形貌重建方法。然而，与对地观测的三维重建任务不同，地外天体的三维重建中面临一系列的关键挑战，这些挑战主要可归纳为目标特性复杂、平台条件限制、数据获取困难三方面。

（1）目标特性复杂：地外天体表面的光照不均、反照率未知、大气条件不可控。地外天体的表面通常存在强烈的光照差异（如月球南极的永久阴影区、火星的晨昏线附近区域）与不均匀的表面反照率分布（如火星表面沙尘覆盖的区域）。这会导致在弱纹理区域或极端光照条件下，当前现有的基于特征点或区域相似性的影像匹配方法，难以实现稳健的匹配。同时，部分天体（如火星）存在稀薄的大气层，其折射、散射与吸收作用不明确，缺乏准确的大气物理参数模型，导致难以有效开展大气校正和辐射归一化处理，会影响基于辐射一致性的影像匹配方法或物理建模的三维形貌恢复方法的精度。

（2）平台条件限制：地外天体缺少地面控制基准，传感器在轨标定与平台定姿定轨困难。与对地观测任务不同，地外天体表面普遍缺乏稳定准确的地面控制点与参考坐标框架。除了月球表面拥有少量可用于定轨优化的激光后向反射器，大多数天体几乎无外部控制资源，这使得传感器参数难以通过常规方式进行在轨标定。同时，由于探测平台常处于深空轨道，其轨道与姿态解算精度受限，传感器间的几何关系难以稳定建立，导致外方位元素的解算精度下降。

（3）数据获取困难：地外天体的观测数据覆盖稀疏、立体观测不足。受制于任务时长、轨道规划与通信带宽等因素，获取的影像数据具有覆盖范围有限、重复观测次数少、立体成像基线短与交会角度小等特点，难以形成具备合理基线长度和高重叠度的立体影像对。此外，激光测高数据多沿中轨或极轨轨道获取，其激光测高足印通常呈子午线方向分布，尤其在低纬度区域存在严重稀疏现象，难以满足连续的精细地形建模与高精度地貌特征提取。

图1为地外天体三维形貌重建中的典型问题示例。由于成像时的太阳高度角和方位角变化显著，月球表面在不同光照条件下获取的影像的灰度和亮度存在显著的差异[14]，导致基于灰度或纹理的影像匹配方法在阴影或高反差区域容易产生误匹配。此外，火星勘测轨道飞行器（Mars reconnaissance orbiter，MRO）在成像过程中存在平台姿态微小颤振，使得线阵推扫式电荷耦合器件（charge coupled device，CCD）传感器获取的高分辨率成像科学设备（high resolution imaging science experiment，HiRISE）影像之间的几何一致性遭到破坏，影响立体重建的精度[15]，特别是在基线较短或地形起伏剧烈的区域，重建的地形存在明显的高程误差。此外，对于远距离飞掠或短周期观测任务，如“旅行者2号”（Voyager-2）对海王星的卫星海卫一的飞掠观测中，获取的可用影像的覆盖范围极为有限，难以提供连续的立体观测信息，制约了全球范围内的三维建模[16]。上述存在的这些问题，导致在现有观测平台与数据条件下，未来的地外天体探测任务亟须依赖更高精度、更广覆盖和更强细节刻画能力的三维形貌重建方法的支持。

图1   地外天体三维形貌重建中的典型问题示例

Fig. 1   Typical issues encountered in 3D topographic reconstruction of extraterrestrial bodies

近年来，深度学习等人工智能技术的快速发展为地外天体的三维形貌重建提供了途径。它将传统的几何重建问题转化为学习回归问题，利用卷积神经网络（convolutional neural network，CNN）、生成对抗网络（generative adversarial network，GAN）、注意力机制模型（Transformer）、神经辐射场（neural radiance fields，NeRF）及三维高斯溅射（3D Gaussian splatting，3DGS）等技术，可以从有限影像中自动提取深度信息并重建高精度地形。相比于现有的三维重建方法，基于人工智能的三维形貌重建方法（简称“人工智能方法”）存在以下4个特点。

（1）模型与数据依赖方面。现有的三维重建方法，如立体摄影测量和运动恢复结构（structure from motion，Sf M）建立在严格的几何光学模型和数学推导之上。这类方法以其理论完备性和物理可解释性为核心特点，当拥有高精度相机成像模型及轨道数据作为支撑时，能够实现高精度和高可靠性的三维重建。它们是当前行星科学研究中获取高精度地形数据的主要方法。人工智能方法则提供了一种数据驱动的补充路径，其核心思想是通过神经网络学习海量数据中蕴含的从二维影像到三维结构的复杂映射关系。这种范式降低了对精确传感器模型和外部辅助数据的依赖，可以在缺乏相机内外参数或轨道数据的条件下学习重建几何。例如，自监督或无监督深度估计算法无须相机标定或地面控制点即可进行训练。这使得它在处理缺乏完整先验信息（缺乏标定信息或精度不足的遥感影像）的场景中展现出独特的适用性和灵活性。

（2）场景与数据质量适应方面。现有方法依赖清晰的影像纹理、准确光照建模或完整的成像几何等理想条件。在这些条件下，基于特征点匹配或光度一致性的算法能够展现出最佳建模性能，目前在基于如光照条件筛选等获取影像的三维重建上可以提供良好的重建效果。然而，地外天体（如月球极区、火星阴影区、小行星）常常面临光照极弱、纹理稀疏、遮挡严重、视角变化大等挑战。在这些挑战现有方法性能边界的复杂场景中，人工智能方法显现出一定的稳健性。通过学习数据的深层特征表示与上下文建模机制，人工智能方法可以在低纹理、低对比度、非一致光照等极端条件下仍保持稳健的建模性能，有效地提升了在极端成像条件下的适应能力，尤其在月球极区、火星晨昏交界区、小行星不规则表面等典型复杂场景中表现出更强的稳健性。

（3）自动化处理方面。现有方法的重建流程通常是模块化的，包含多个独立步骤，如特征提取、匹配、光束法平差等。这种流程允许研究人员在每个环节进行精细的参数调整、手动干预和质量验证（如控制点选取与优化），为实现高精度控制和过程纠错提供了可能。人工智能方法，特别是基于深度学习的模型，则倾向于构建端到端的处理架构。从原始影像输入至深度图或三维模型输出，可在训练后实现自动化处理、大规模部署与一致性控制，大幅减少对人工干预与规则设定的依赖，具备良好的可扩展性和高吞吐量，提升任务处理效率，能够适应深空探测中大批量遥感数据的快速处理需求。

（4）质量提升与多源融合方面。现有方法严格遵循几何约束，其重建结果严格基于既定的几何模型和有效的观测数据。因此，在数据缺失、覆盖稀疏区域（如月球的永久阴影区）或有遮挡的区域，传统方法通常由于缺乏有效观测信息而产生数据空洞，这保证了结果的客观性，但也限制了模型的完整性。人工智能方法则具备基于先验知识的预测与补全能力。通过在大量数据上进行学习，模型可以基于学习到的空间上下文信息实现对遮挡区域、数据空洞或纹理缺失部分的预测补全。同时，基于人工智能的方法具备多模态对齐能力，可融合光学影像、激光点云、数字高程模型渲染图等异构数据，解决现有方法在模态差异大、尺度不统一情况下的配准障碍，从而提升整体重建的空间连续性与结构完整性。

基于此，本文将系统地综述近年来地外天体三维形貌重建中智能方法的研究与应用进展，分析其在建模精度、重建效率和自动化方面的优势与挑战，展望未来发展方向。

1　现有地外天体三维形貌重建方法的发展现状

现有的地外天体三维形貌重建方法，主要包括使用光学遥感影像的摄影测量法和影像光度法，以及使用激光测高数据或者激光扫描数据的激光插值建模法。

1.1　摄影测量法

摄影测量法（photogrammetry）是一种基于多视影像几何信息推导三维结构的三维重建方法，是当前地外天体中应用最广的三维重建技术。该方法基于两个或多个不同视角获取的轨道器影像，通过立体匹配获取视差，利用三角测量恢复地形高程。其优点在于成像的物理过程和模型明确，通过严密摄影测量处理，在高分辨率影像的支持下，可构建米级甚至亚米级三维形貌模型（如DEM、DTM等）。其在火星（如MRO、Mars express）、月球（如LRO）及小行星（如OSIRIS-REx、Hayabusa-2）探测任务中均发挥了关键作用。

文献[17]基于“天问一号”搭载的高分辨率成像相机（HiRIC）获取的火星影像数据，采用严密的摄影测量处理方法，包括几何校正、立体匹配与空三重建，构建了高精度火星三维地形模型，实现了米级分辨率下的精细地形测图，验证了国产火星遥感数据在深空测图领域的应用潜力。文献[18]基于“火星快车”（Mars express）搭载的高分辨率立体相机（high resolution stereo camera，HRSC）获取的影像数据，通过VICAR系统开发的专业软件，实施自适应滤波预处理、基于相关系数的区域匹配及光束法平差等摄影测量流程，构建了空间分辨率50 m、垂直精度优于10 m的火星数字地形模型。验证了其与火星轨道激光测高仪（Mars orbiter laser altimeter，MOLA）数据的高一致性，展现了轨道器影像数据在火星高精度地形测绘中的技术优势与应用价值。文献[19]利用LRO的广角相机（wide angle camera，WAC）获取的立体影像数据，采用严密的摄影测量处理方法，通过几何校正、立体匹配、空三重建等过程，制作像素间距为100 m的近全球数字地形模型GLD100。通过与LOLA数据集对比可知，整个GLD100数据集的平均垂直精度优于20 m，近侧月海区域精度更优于10 m。该模型覆盖79°S至79°N区域，占整个月球表面积的98.2%，为月球表面地形提供了有价值的表达。文献[20]对LRO的NAC获取的立体影像进行严密摄影测量处理，采用相对定向、基于LOLA的绝对定向、基线校正、立体匹配与空三重建等处理方法，最终得到DTM的绝对精度优于LOLA剖面的不确定度，相对垂直与水平精度则小于DTM的像素尺度（2~5 m）。文献[21]基于近900张“火星快车”的超分辨率通道（super resolution channel，SRC）和“维京号”（Viking-1/2）获取的影像数据，采用摄影测量方法与计算机视觉方法结合的方式，对火卫一进行了三维形状重建，构建了高精度且分辨率较高的火卫一形状模型。通过测量，该模型得出火卫一的体积为（5740±30）km3，表面积为（1629±8）km2，体积密度为（1847±11）kg/m3。与先前模型对比，发现Opik陨石坑和Shklovsky陨石坑附近等区域差异显著，为未来火卫一探索任务指明了关键研究区域，奠定了重要基础。

尽管如此，该方法对多视角影像的覆盖密度和几何基线提出较高要求，而高分辨率立体像对获取难度大，尤其在地形剧烈起伏或长时间阴影区域中，匹配精度下降显著，且受光照角度差异影响，容易产生伪差与空洞。加之地外天体缺乏地面控制点或已知高程基准，使得大范围的联合平差优化存在困难，限制了该方法的自动化建图能力[1,22]。

1.2　影像光度法

影像光度法（photoclinometry）是一种基于影像灰度信息估算表面坡度并推导地形高程的三维重建方法，其通过分析图像灰度变化、结合已知光源方向、地表反照率模型和大气散射修正等信息，估算表面坡度并反演地形高程。该方法在缺乏立体影像的区域具有独特优势，常与低分辨率DEM结合，以提供整体倾斜趋势，然后细化出精细的三维地形。该方法早期常被用在月球、火星上用于提高地形分辨率，如利用MOLA或HRSC数据生成的低分辨率DEM约束，高程残差由影像亮度反演获取高细节DEM。这些方法可在无立体像对时提供高分辨率地形信息，对细小地貌特征（如小陨石坑、沙丘纹理）具有良好的建模能力，可实现像素级的细节刻画。

文献[23]基于印度“月船一号”搭载的“月球矿物成分探测仪”（Moon mineralogy mapper，M3）获取的月球影像，提出了一种用于月球的单幅光影法地形精细化重建框架，包括变分地形重建方法、基于Hapke模型的反射参数估计及光照无关的影像配准技术，重建了高精度月球非永久阴影区三维地形模型，实现了像素级分辨率下精细地形测图，验证了在初始地形约束下光影法在深空精细测图领域的可行性与有效性。文献[24]基于来自不同任务相机获取的火星影像数据，包括美国MRO任务中的CTX与HiRISE，及中国“天问一号”任务中的HiRIC，提出了考虑天空光各向异性的单幅严密大气校正光影法，包括适用于火星大气环境的辐射传输模型、反射模型的大气参数估计与单幅光影法损失函数优化，该方法重建了高精度火星三维地形模型，显著增强了地形细节，实现了像素级分辨率下的精细地形测图，验证了在火星场景下引入大气校正模型的必要性。文献[25]基于“火星快车”搭载的高分辨率相机（HRSC）获取的火星影像数据，构建了融合摄影测量与光影法的三维地形重建方法，包括多视角HRSC影像的立体匹配与初始地形生成、火星大气简易反射模型构建与光影法地形精化，构建了高精度的火星三维地形模型，实现了摄影测量低分地形与像素级高分辨率精细地形测图，验证了HRSC获取的立体影像在深空测图领域的应用潜力。文献[26]基于韩国“探路者月球轨道器”搭载的阴影成像相机（Shadow Cam）获取的月球阴影区影像数据，构建了二次散射光影法优化框架，包括潜在可视直射面元高效定位、直射面元聚类简化与多光源损失函数优化，该方法有效重建了高精度月球阴影区三维地形模型，实现了阴影区像素级分辨率下的精细地形测图，验证了间接成像影像数据在深空测图领域的应用潜力。

然而，影像光度法的反演精度高度依赖表面辐射模型的准确性。受沙尘覆盖、水冰反射、表面粗糙度等因素干扰，实际反照率往往偏离模型假设，尤其在火星和小行星等存在大气或高反射率地表的天体中更为突出。同时，解算过程非线性且计算量大，需人工调整参数，生产效率低。此外，地形遮蔽引发的大面积阴影、太阳高度角变化剧烈等问题，会严重干扰灰度-坡度映射关系，导致局部反演失败或误差累积[27-28]。

1.3　激光插值建模法

激光测高是通过测量激光脉冲从探测器发出至返回的往返时间，结合飞行轨道与姿态信息，获取测点的三维坐标。其所使用的激光测高计/扫描仪（如火星的MOLA、月球的LOLA、小行星任务中的OLA和LiDAR）通常可提供全球或区域覆盖的高程采样点，其垂向精度普遍优于1 m，是地外天体高程控制的重要基准数据。以NASA“火星全球探勘者”（Mars global surveyor，MGS）任务搭载的激光高度计（MOLA）为代表，该仪器在1999年前后提供了覆盖整个火星表面的超过6亿个高程采样点。

相比于光学遥感影像及基于光学遥感影像的三维重建方法，激光测高具有高垂直精度和绝对定位能力强的特点，常被用作地外天体测绘中的全球高程基准。其测点高度精度高，独立于光照条件和地表纹理。由于覆盖范围广且误差分布稳定，它生成的DEM常被用作其他方法（如摄影测量法、影像光度法）的高程校正基准或约束输入。文献[29]基于火星多源地形数据（MOLA、HRSC和HiRISE DTMs），采用表面匹配技术，包括三维共形坐标变换（3D conformal transformation）与自适应阈值算法，构建了自动化配准工具，实现了多分辨率、多传感器火星地形模型的高精度配准，验证了该方法在降低HRSC DTM与MOLA数据间的高度偏差和分层配准HiRISE与MOLA数据中的有效性。此外，轨道系统误差可能随轨迹变化而累积，会影响整体高程一致性。文献[30]基于LOLA的激光测高数据，采用迭代自约束调整策略，构建了月球南极永久阴影区的高精度数字高程模型，显著降低了激光点地理定位误差，验证了该方法在消除地形伪影和提升数据可靠性方面的有效性。文献[31]针对OSIRIS-REx激光测高计（OSIRIS-REx laser altimeter，OLA）在小行星Bennu上获取的大量三维点云数据，提出了一种图模型引导的全局光束块平差方法（graph guided global bundle block adjustment），实现了高精度的小行星三维地形模型构建。该方法基于图模型建模不同观测位置获取的三维点云间的几何关系，结合图优化策略，有效提高了三维扫描点云的配准精度与稳定性。

然而，由于受限于轨道设计、姿态控制和目标尺寸等因素，激光测高点通常延轨道呈条带式分布，存在采样稀疏、局部覆盖不足等问题，在地形起伏剧烈区域（如峡谷、火山口）会造成显著地形信息缺失，常需通过空间插值方法对离散的高程测量点进行加密。然而，插值后生成的DEM通常存在细节模糊的问题，不能准确刻画如陨石坑边界、沙丘、沟槽等小尺度的地貌细节。尤其在赤道附近因轨道密度较低，激光测高点的间距更大，插值误差也随之增大。上述这些问题，导致激光测高插值方法无法独立提供精细的DEM产品，通常需与其他高分辨率测图方法融合使用[32-33]。

近年来，尽管已有研究尝试将激光测高点、立体影像与光度反演结果进行融合，以提升局部区域的形貌重建精度，但由于不同数据源在时相、分辨率、成像角度与投影基准等方面存在异构性，配准误差仍是制约整体重建质量的关键因素。地外天体三维地形重建的现有方法在精度、分辨率、适用范围和自动化程度方面均面临不同程度的挑战，难以全面满足未来深空探测任务对高分辨率、大范围、高时效三维地形产品的迫切需求。

2　地外天体三维形貌重建中智能方法的应用

近年来，以深度神经网络和神经辐射场为代表的人工智能方法在三维地形重建领域取得了显著进展，为地外天体三维形貌建模提供了全新的技术路径。图2为近5年主要学术期刊发表的地外天体三维形貌重建相关论文中，现有方法与涉及人工智能方法的占比变化情况。可以看出，近年来领域内采用人工智能方法的研究占比持续上升，表明人工智能方法正逐步成为地外天体三维形貌重建的重要技术手段之一。图3为本文统计论文所在期刊的频次和论文题目中的词频。可以看出，相关研究成果已广泛发表于测绘遥感和行星科学等领域的主流期刊，显示出该方向的研究热度和发展潜力。从题目的词频统计中可以明显看出，“Deep Learning” “Neural” “Network” “Monocular”等与人工智能方法相关的关键词具有显著的高出现频率，意味着相关方法也已经逐步成为地外天体三维形貌建模研究中的重要手段之一。当前，人工智能方法在地外天体三维形貌建模的应用中，主要沿着3条技术路径发挥作用：用于影像的特征提取与匹配、用于单视影像的深度估计，以及用于多视影像的三维场构建。图4对比了这3类应用路径在应用机制和介入环节上的不同，体现出这3种技术路径与现有三维重建方法不同的结合程度。第1条技术路径是在摄影测量处理流程中引入人工智能方法，替代人工规则或传统算子完成关键点提取、特征描述与匹配。例如，通过深度立体匹配网络自动提取多视影像之间的判别性特征，显著提升在弱纹理或大尺度视差区域中的匹配精度。第2条技术路径使用人工智能方法整体取代影像光度法中基于物理建模与变分优化的深度估计过程。例如，引入CNN或生成对抗网络（GAN），利用神经网络的端到端回归建模与非线性特征表达能力，预测影像中每个像素对应的高程值，实现高分辨率、像素级的DEM自动生成。第3条技术路径则代表了一种全新的三维重建范式。近年来，随着神经辐射场（NeRF）和三维高斯溅射（3DGS）等方法的发展，人工智能驱动的三维建模技术可在多视影像信息稀疏或成像角度非规则分布的条件下，通过优化体素表示、显式点云结构或可微渲染框架，实现对复杂地形场景的连续建模与重建结果的细节表达。

图2   近5年领域内主要期刊中现有方法与涉及人工智能方法相关论文的发表情况

Fig. 2   Publication statistics of existing methods and AI-based methods in major journals over the past five years

图3   本文统计论文所在期刊的频次和题目中的词频

Fig. 3   Frequency statistics of the journals and title keywords of the collected publications

图4   地外天体三维形貌建模中3种不同技术路径的智能方法对比

Fig. 4   Comparison of three different technical pathways of artificial intelligence methods for 3D topographic modeling of extraterrestrial bodies

2.1　用于影像的特征提取与匹配

立体影像匹配是摄影测量法三维重建中的关键环节，其核心任务是获取左右视图之间的稠密视差信息。现有方法多依赖灰度相关、SIFT、SURF等局部特征描述子进行匹配，但在弱纹理、遮挡或几何畸变区域常常面临精度不足或匹配失败的问题。近年来，以深度匹配网络和深度特征描述子为代表的人工智能方法的发展为立体影像匹配带来了突破性的进展。通过构建端到端的深度神经网络，直接从图像中提取判别性强的深层特征，并通过构建代价体、引入注意力机制等方式，实现了更加稳健和精细的视差估计。

典型的深度网络架构如残差网络（Res Net）、图神经网络（GNN）等已经在地球遥感图像对及火星HiRISE、CTX等高分辨率立体影像中得到应用。文献[17]针对“天问一号”HiRIC的影像，提出了包含初始有理多项式系数（RPC）拟合、深度学习特征点匹配、多CCD影像光束法平差、多轨道区域网平差及精化RPC密集匹配与空间交会的摄影测量方法，生成了可捕捉细微地形的高精度DEM，在多CCD和多轨道影像间达亚像素级精度，与HiRISE和MOLA DEM相比几何精度平均偏差小于7 m，为火星高精度地形测图提供可靠方案。文献[34]基于Mars 2020任务中的“机智号”（Ingenuity）无人机导航相机影像数据，使用多候选区域的模板匹配策略，以更高准确率提取无人机绝对位置的对应轨道器影像候选模板，并利用图像特征匹配结果对候选模板进行评分和重新排序以优化定位结果，构建了火星无人机的绝对定位框架，有效提高火星弱纹理区域无人机定位的成功率与准确性。这些方法不仅显著提高了弱纹理区域的匹配能力，也有效缓解了匹配伪差对三维重建质量的影响。一些研究进一步利用HRSC等多视角数据，发展多视图匹配网络，实现从多视图影像中统一构建高精度的深度图和DEM，为稠密形貌建模提供了重要支撑[35-36]。图5为现有的SIFT特征匹配方法与以SuperPoints+Super Glue与LoFTR为代表的人工智能方法的关键点提取与特征描述子在火星CTX影像上匹配的效果对比[37-38]。由图5可知，以深度特征提取为核心的特征描述子在行星遥感影像匹配任务中，即使在未进行二次训练的条件下，也展现出了比现有的特征匹配方法更加良好的稳健性和泛化能力。

图5   现有的特征匹配方法与人工智能方法在火星CTX影像上匹配效果对比

Fig. 5   Matching performance comparison between the traditional algorithm and AI-based methods on Mars CTX images

尽管上述人工智能方法在精度和稳健性方面展现了一定优势，但在应用中仍面临着挑战：一是高质量匹配标签的获取困难，训练样本数据稀缺；二是多尺度视差估计与融合策略设计复杂，影响模型泛化性；三是在不同成像条件下的迁移能力仍有限。

2.2　用于单视影像的深度估计

在缺乏立体像对或多视影像的遥感场景中，如何从单张影像中恢复地表的三维结构成为重要挑战。近年来，通过构建CNN、GAN等深度神经网络模型，学习影像纹理特征与地形高程变化之间的非线性映射关系，可实现从单幅遥感图像直接预测对应的三维地形模型，可以输出与原影像一致分辨率的三维形貌模型，甚至实现超分辨率重建优化。

文献[39]首次将CNN引入行星单视影像深度估计，提出了一种由自动去噪网络和三维重建网络两个级联子网络构成的地形重建框架，使用由模拟火星数据和真实火星数据组成的大规模数据集训练网络模型，成功地将单幅轨道器影像转换为朗伯图像，并利用得到的影像恢复了火星平坦地区三维地形模型。文献[40—41]建立了一个基于生成对抗的火星地形重建系统，使用高分辨率的HiRISE影像，通过单尺度网络推理、多尺度地形重建和三维协同配准，实现了具有更精细尺度分辨率和更高准确率的较大规模火星三维地形重建，有效地提高了较大范围精细深度估计的精度和效率。文献[42]将基于深度学习的单视深度估计方法推广到了月球，提出了一种双分支卷积神经网络架构，利用两个独立的编码器分支单独提取高分辨率影像和低分辨率地形模型包含的特征，并通过融合来自影像的高频信息和地形的低频信息，在月球嫦娥三号和嫦娥四号着陆区实现了三维地形重建。文献[34]将局部注意力机制引入基于生成对抗的高精度单视火星地形重建网络，通过局部注意力特征提取模块、复合损失函数组合和多尺度交替训练策略，在具有不同形貌特点的火星场景下，实现了较大范围的精细地形恢复，重建的地形在保证几何精度的同时，恢复了更精细的细节特征。图6给出了基于相同分辨率的HiRISE影像（0.25 m/像素），使用该方法的单视影像重建DTM（0.25 m/像素）与使用摄影测量方法的多视影像重建DTM（1 m/像素）（NASA）的结果对比。可以看出，在保留了相同细节与精度一致性的情况下，该方法可以实现更高分辨率的像素级三维形貌重建。

图6   基于相同分辨率的HiRISE影像，使用人工智能方法的单视影像重建[34]与使用摄影测量方法的多视影像重建（NASA）生成的DTM结果对比

Fig. 6   Comparison of DTMs generated from HiRISE images of the same resolution: single-view reconstruction using an AI-based approach[34] versus multi-view photogrammetric reconstruction (NASA)

此外，基于Transformer结构的模型如Swin-Depth Net、Depthfomer等，在长距离依赖建模与上下文理解方面表现出优势，基于三维高斯溅射（3DGS）技术的模型如Splatter Image、DepthSplat等，通过高质量光栅渲染提高模型对三维结构的理解。这些技术的出现使行星复杂环境下更详细、更准确的三维地形重建成为可能。文献[21]提出了一种基于Transformer的月球精细地形重建方法，以粗分辨率地形为约束，从单视图轨道器光学影像重建高分辨地形模型；同时考虑月球地形特点，采用一种适应不同高程分布、保持地表起伏多样性的高程归一化策略，在具有不同地形特征和高程分布的场景下实现了精度更好、效率更高、细节更丰富的精细地形重建。文献[43]提出了一种基于三维高斯泼溅技术的轨道器光学影像重建方法，先利用摄影测量方法从行星推扫图像提取三维地形，再根据正摄影像的纹理使用高斯泼溅技术，结合光照条件和平滑度损失，使恢复的三维地形模型在摄影测量结果的基础上具有更丰富的纹理信息。

与现有基于立体像对的测图方法相比，单视影像深度估计具有无须严格配准影像对、自动化程度高、适用于大范围区域处理等优势。尤其在高轨道影像或地形剧烈变化区域，能够显著拓展三维建模的覆盖范围。然而，该类方法也存在一定局限：训练过程高度依赖高质量的地形基准数据；对于未曾见过的地貌类型，其泛化能力有限；所预测的DEM在物理一致性、边缘连续性等方面仍需约束机制加以保障。

2.3　用于多视影像的三维场构建

与现有多视几何方法不同，近年来神经渲染技术的发展，特别是神经辐射场（NeRF）和三维高斯溅射（3DGS）等方法，提供了一种数据驱动、端到端的连续场景建模范式。这类方法通过学习视角之间的颜色一致性与几何关系，能够从多个非共面、非严格配准的稀疏视图中恢复高质量的体素、点云或高斯椭圆表示，广泛应用于行星探测图像建模与巡视器环境复现任务中。文献[44]首次提出了一种基于NeRF的神经隐式三维形状建模方法，通过端到端的训练方式，仅使用少量的“隼鸟号”（Hayabusa）和“隼鸟2号”（Hayabusa-2）获取的高分辨率光学影像，即成功地重建了Itokawa和Ryugu的小天体三维形状模型，显著地降低了人工投入和时间成本。文献[45]在神经隐式方法中引入了Appearance Embedding策略，并利用多视角光度一致性对表面进行优化，以应对不同光照条件下获取的小天体影像存在的灰度差异问题；采用“隼鸟号”（Hayabusa）和OSIRIS-REx获取的高分辨率光学影像，成功重建了Itokawa和Bennu的小天体三维形状模型，进一步证明了神经隐式方法在高精度小天体三维形状建模中的重要价值。文献[13]引入了一种多尺度可变形网格表示方法，并结合Sf M-MVS生成的三维点云作为显式监督，以提升神经隐式方法在小天体表面不同尺度及不规则地形特征建模中的精度。通过对小行星Ryugu的实证验证，结果表明该方法在仅依赖少量影像的情况下，提升了建模的精度，并显著简化了影像获取与建模的流程。

在使用巡视器遥感影像的三维重建与场景建模方面，以神经辐射场为代表的方法，也得到了广泛的应用。文献[46]基于火星巡视器和无人机捕获的实际火星数据集，采用神经辐射场（NeRF）与哈希编码结合的处理方法，构建了名为MaRF的火星场景三维表征模型，实现了从新视角生成火星表明的高保真新颖视图，展示了神经辐射场技术在行星环境下三维场景重建和可视化方面的巨大潜力。文献[47]基于行星模拟数据集中获取的单目视觉影像序列，采用一种将单目视觉同步定位与建图（SLAM）和可调整的神经辐射场（NeRF）相结合的方法，包括针对性位置编码和梯度引导约束，构建了高精度行星三维地形模型，实现了在行星环境中的高精度定位、新视角视图合成及三维重建，验证了该技术在未来行星探测自主导航与环境感知任务中的应用前景。图7为基于“毅力号”巡视器获取的导航相机数据，使用现有MVS方法与神经辐射场方法[47]重建的巡视路径三维点云结果对比。可以看出，利用神经辐射场的连续隐式场景表示能力，可以生成更密集、更精细的三维场景点云。

图7   基于“毅力号”巡视器获取的导航相机数据，使用现有MVS方法与神经辐射场方法[47]重建的三维点云结果对比

Fig. 7   Comparison of 3D point cloud results reconstructed from navigation camera data acquired by the Perseverance rover, using a traditional MVS method and a NeRF-based approach[47]

在视角稀疏或位姿不准确的情况下，这类方法具备显著优势，仍可实现高完整度的三维重建；输出模型具备图像级细节表达能力，可保留连续的地表纹理与空间结构，适合用于巡视器虚拟导航、地形感知与沉浸式可视化等应用场景。然而，该类模型也存在一定限制，例如：对训练数据的光照一致性与图像质量要求较高；NeRF等隐式建模方法在推理阶段计算开销大，难以满足大范围区域的实时建模需求；此外，部分方法对多角度覆盖的依赖仍制约其在实际任务中的适用性。

3　人工智能方法与现有方法的比较分析

在地外天体三维形貌重建任务中，人工智能方法相较于现有技术，在重建精度与细节刻画、处理效率与大规模测图成本、自动化测图能力与多场景适用性等方面展现出独特优势和应用潜力。

3.1　重建精度与细节刻画

在高精度地形测图方面，现有方法已经取得了长足的进步，研究人员正通过不断挖掘物理和几何约束来突破固有的数据限制。基于阴影恢复形状（shape-from-shading，SFS）的方法解决了传统摄影测量方法严重依赖高质量、多角度立体影像对的瓶颈，能够利用大量现存的单目高分辨率影像实现三维重建，极大地扩展了可用于精细地形制图的数据源。先进的SFS方法通过构建精密的物理模型能够实现高精细的地貌恢复。文献[24]针对火星影像开发了顾及大气效应的光度测量模型，结合辐射传输模型来描述火星大气独特的光度特性，从而能够将火星不均匀的天窗效应纳入考量。该模型以高分辨率图像和相应的粗分辨率DEM作为输入，重建出的高分辨率DEM实现了均方根误差约为2个像素分辨率的整体几何精度。SFS模型建立在坚实的光学和辐射传输理论之上，其模型参数（如太阳入射角、大气光学厚度、Hapke模型参数等）都具有明确的物理意义，这种“白盒”特性使得模型的构建过程和结果都具有高度的可解释性。

现有方法在具备高几何精度的同时存在建模复杂性的限制。建模过程中存在烦琐的参数化过程，需要获取并精确设定一系列物理参数。从简单的模型到考虑大气效应的复杂模型，其参数化和求解过程的难度呈指数级增长。大多数SFS模型都基于材质均一性假设。然而，行星地表构成极其多样，岩石、沙地、尘土等不同材质的反照率差异巨大，这种变化可能会被模型误解为地形起伏而导致误差。同时，现有方法对大范围的低频地形趋势不敏感，在面对小尺度地形起伏时表达不精细。

人工智能方法在许多案例中已达到与现有测图相当的精度。基于GAN的LoGAN模型在Victoria Crater等区域生成0.25 m/像素高分辨率DEM，高程精度与目前最精细的光度测量结果相当，但无须复杂的物理建模[34]。MADNet模型在Jezero陨石坑生成的0.5 m/像素DEM，与由立体测图得到的原始DEM平均高差仅为0.009 m，标准差为0.63 m，几乎达到了与现有摄影测量方法一致的精度[48]。这些结果表明，人工智能方法能够在像素级重建火星地形，突破了现有摄影测量分辨率受限的瓶颈。除了测图精度之外，以深度神经网络的人工智能方法更善于学习和表达细节特征，因此生成的地形模型在小尺度地貌上往往更清晰。CNN/GAN方法可以重建出沙丘纹理、岩石和小陨坑等特征，而这些特征在现有方法生成的DEM中是模糊或丢失的。特别是在结合超分辨率重建后，影像的细微变化都能反映到输出DEM中。相比之下，摄影测量DEM由于插值和平滑处理，小尺度起伏易被削弱，而人工智能方法在保留细节的同时通过对抗损失等约束保持了全局一致性，避免过度起伏导致的不真实地形噪声。图8为人工智能方法与摄影测量法重建的地形细节纹理与HiRISE正射影像的对比。由图8可知，在撞击坑底波纹状地形的重建中，该方法的结果能够保留更多的细节，并且在一定程度上避免了格网状伪影的影响。

图8   使用人工智能方法[34]与使用摄影测量法（NASA）重建地形细节纹理与HiRISE正射影像的对比

Fig. 8   Comparison of terrain details and surface texture generated by an AI-based reconstruction method[34] and a traditional photogrammetric approach (NASA), using co-registered HiRISE orthoimages for visual reference

尽管人工智能方法的重建结果在统计精度上可以与现有方法相比，但是在一些地貌类型上（如光滑平原等低纹理区域）使用深度神经网络进行地形重建估计可能出现偏差或伪波纹。人工智能方法的性能高度依赖于大规模、高质量训练数据集的覆盖范围和多样性，如何解决模型在处理跨数据集时的泛化能力下降问题是当前的关键问题。同时，由数据驱动的人工智能方法缺少了实际物理层面的绝对约束，获取的结果可能与真实物理规律存在较大偏差的情况。但是总体而言，以数据驱动为模式的人工智能方法大幅减少了模型设计所带来的系统偏差，并且对随机误差的处理也控制在合理范围，在引入物理先验和不确定度估计的情况下，可以进一步提高模型在各种地形下的稳健性和可信度。

3.2　处理效率与大规模测图成本

在算法效率方面，对于小范围或单次的地形重建任务，现有方法具有独特的灵活性。研究人员可以针对特定的一对立体影像或单张影像直接应用精确模型获取结果并优化对应物理参数，对于探索性研究和处理少量关键区域数据非常高效。与之相对应，现有的立体测图流程包括影像校正、匹配、滤波、人工编辑和拼接，处理流程冗长、单次任务耗时巨大，完整地处理一对高分辨率HiRISE影像可能耗时数小时到数天（包括人工交互）。人工智能方法通常基于深度学习模型进行泛化推理，一旦模型训练完毕，对单张影像推理生成DEM仅需数秒到数分钟，可实现近实时的处理能力。例如，MADNet模型能够在数十秒内处理一幅2万个像素规模的HiRISE影像，输出同尺寸DEM，实现过去需人工数日完成的工作量[41]。这种效率优势在需要批处理大量影像（如全球尺度测图）时更加明显。但人工智能方法的高效是以牺牲一定程度的灵活性和过程可控性为代价的。对于推理阶段出现的特定错误，用户无法像调整传统方法参数那样进行即时、精细的干预。修复错误往往需要重新审视训练数据或调整模型结构并重新训练，这是一个相对漫长和间接的回溯过程。

在大规模测图能力方面，现有方法的流程相对复杂，但其每一步都基于严格的几何或物理原理，这使得其在拼接大区域镶嵌图时能够保证几何上的一致性和精度。通过严密的区域网平差，可以有效地控制和消除累积误差，确保大范围地图产品的整体精度。不足之处在于，现有方法为了确保DEM质量，往往需要人工检查每对立体影像的结果并微调参数，难以大规模无人值守快速生产。人工智能方法的高效率和端到端性质，使其非常适合自动化批处理和大区域地形镶嵌。深度学习模型则可在统一模型参数下处理不同地区的数据，产出具有一致风格的DEM。文献[40]利用深度学习批量生成了Exo Mars着陆区Oxia Planum数百幅CaSSIS影像的2 m/像素DEM镶嵌图，整个流程高度自动化，只需在结果出错时进行少量人工质量控制。可以预见，通过云计算平台部署训练好的模型，可对海量火星影像数据进行自动化地形制图，大幅提升数据生产力。但是，模型的泛化能力是其主要风险点。如果测图区域的地貌特征（如罕见的地质单元）在训练数据中覆盖不足，模型可能会产生系统性的、难以预测的错误。这要求在自动化流程中必须嵌入有效的异常检测和质量评估机制，否则可能导致大片区域的制图产品质量不可靠。

在资源的消耗方面，现有方法的“启动成本”较低。它们通常在标准工作站的CPU上运行，不需要昂贵的硬件设备（如高端GPU）。对于单次或小批量的任务，其总资源消耗相对可控。相对地，其边际成本几乎是恒定的且偏高。每处理一张新的影像，都需要消耗相近的计算时间和人力成本。在进行大规模生产时，总资源消耗与产出量成正比，缺乏规模经济效应。以深度学习为代表的人工智能方法在前期训练耗时耗算力，但是在推理应用阶段具有明显的效率优势。具体而言，训练一个高性能模型可能需要使用数万张影像样本，耗费数天时间在GPU上计算，但是一旦模型训练完成，其推理优势即可在后续无限次使用中摊销。相比现有方法每次处理都要从头进行优化，深度模型更像预先建立一个“专家”，之后快速应用于各处。此外，随着模型架构优化和硬件发展，训练成本正不断降低，像自适应Transformer这类模型的出现也在缩短训练时间。总体而言，在实际生产环境下，人工智能方法有潜力以更低的边际成本完成更多地形数据处理任务。但人工智能方法的效率优势建立在高昂的前期投入之上。训练过程对算力和数据积累提出了很高的要求，尤其是对高精度、海量的真值训练数据的依赖，对于缺乏平台规模的研究团队而言是一个巨大的门槛。同时，人工智能方法还需要关注模型泛化性带来的不确定性成本。

3.3　自动化测图能力与多场景适用性

在自动化测图能力方面，现有方法在执行过程中的每一步的质量都是可控和可量化的。例如，在立体匹配后，可以通过匹配置信度、视差图一致性等指标来自动评估中间结果的质量，并据此触发不同的处理策略。这种基于明确物理和几何指标的“过程控制”能力，使得自动化处理结果的可靠性有一定保障。人工智能方法高度自动化，减少了人为干预需要。一旦模型通过训练验证，其应用过程几乎无须人工参与：输入原始影像，自动输出校正的DEM或点云。这对火星全球测绘具有重要意义，可显著降低人力成本和主观误差。尤其在火星车在轨自主导航、着陆过程中，实时地自动地形生成有助于决策支持。LoGAN等方法证明，即使从单视角影像也能自动重建大范围高精度地形，为以往无法测图的区域提供数据[34]。

在与现有流程融合的能力方面，现有方法之间的融合是基于坚实的物理和几何原理，使得融合过程透明、可控且结果可靠。文献[49]集成了基于新型辐射传输方案的图像强度模型和真实的表面双向反射分布函数（BRDF）模型，利用低分辨率的初始DEM通过光度学方法对其进行精细化处理生成高精度DEM。这类方法基于物理建模与数值优化，与传统摄影测量数据源保持极好的兼容性，并通过光度约束突破原有精度瓶颈。现有方法之间的融合流程复杂且往往需要定制化的算法开发。激光测高、立体摄影测量和SFS等不同方法之间的数据特性、误差模型和空间分辨率差异巨大，将它们无缝融合需要复杂的算法设计和大量的参数调试。

如前文中针对不同技术路径的分析，人工智能方法可以无缝融入现有测绘流程，作为辅助或替代模块。例如，可先采用深度模型预测DEM，再与激光高程点或少量立体DEM融合校准，输出最终产品。这样既保持人工智能方法自动高效的优点，又利用现有数据确保绝对定位精度。一些研究已实践这种融合策略，如文献[42]用低分辨率激光DEM约束CNN输出，保证DEM绝对高度的正确性。未来测图系统可能采用“AI+传统”混合流水线：人工智能方法负责初步结果与细节增强，现有方法用于质量控制和精度校准。然而，当前的人工智能方法的应用也有明显的局限与适用范围，其可靠性和泛化仍是实现完全自动化的掣肘。在人类尚无法实时校验的情况下，完全依赖人工智能可能有风险。例如，深度模型在训练集覆盖不到的极端地形（如火星的极区冰盖）可能失准。因此，在关键任务（如着陆区选址）中，人工智能方法的结果通常需要与现有方法交叉验证。目前最适合人工智能方法的角色是补足现有方法的盲区：对于缺少立体像对的地区或需要更高分辨率的场景，人工智能方法可以发挥主导，而在有高质量立体DEM的区域，人工智能方法的输出可与其比对融合。通过取长补短的方式，逐步提高测图自动化程度的同时，保证成果的可信度。

4　当前存在的问题及其原因分析

通过对人工智能方法与现有方法在精度、效率和自动化等多个维度的深入比较，由数据驱动技术引发的地外天体三维重建范式变革已清晰可见。现有方法凭借其坚实的物理基础和严密的数学模型，在特定条件下能够达到较高的精细建模水平和可靠的几何精度。它们的输出结果都具有明确的可解释性和可追溯性，在严谨的科学探索中极为重要。然而，这种方法的“精密”也带来了固有的局限：其复杂的建模过程、对先验知识和理想化假设的强依赖，以及在自动化和大规模生产方面高昂的边际成本，使其在面对海量行星数据时不足以满足时代要求。

以深度学习为代表的人工智能方法，通过从大规模数据中学习，将复杂的物理反演问题转化为一个高效的端到端映射过程，在处理效率、自动化能力和大规模生产成本方面展现出革命性的优势。人工智能模型能够突破传统方法的分辨率瓶颈，在细节表达上更胜一筹，并且极大地降低了对专家经验的依赖，为实现全球范围的自动化、高频次地形测图提供了前所未有的可能性。

尽管人工智能方法在地外天体三维形貌重建领域已取得诸多进展，但其深入应用仍面临若干挑战，主要体现在以下4个方面。

（1）训练样本匮乏与偏差。地外天体的高精度数据集获取困难，人工智能方法往往依赖有限的真值数据训练，或借助模拟星体数据、其他星体数据，缺少统一的大规模地外天体训练数据集，这易导致模型训练数据分布出现偏置。当应用于新区域、新成像条件时，容易出现泛化性能下降等问题。

（2）物理一致性与可信度。以深度学习为代表的人工智能方法多基于统计学习的机制，输出结果缺乏物理意义约束，如可能生成实际不存在的“伪影”地形特征。虽然对抗训练和多约束损失可减缓此问题，但模型仍可能违背光照几何规律，并且结果的可解释性不足，给工程应用带来疑虑。

（3）绝对精度的评估困难。地外天体表面普遍缺乏“绝对真实”的高精度地形作为评估基准，在实际应用中通常以激光测高数据作为参考，但其本身仍存在误差。因此，如何客观评估人工智能方法重建的地形精度和不确定性仍是一个亟待解决的问题。

（4）计算资源与实现成本。尽管现有的人工智能方法已经具备了相对简洁的推理应用能力，但训练深度模型需要大量计算资源和专业知识，将最新人工智能算法融入现有的地外天体三维形貌重建工作需要软硬件升级和人员培训，对于一些工程任务来说，训练专用模型的成本较高，难以推广。

上述问题的产生既有技术层面的原因，也受制于客观条件，但是需要在人工智能方法在地外天体三维形貌重建的未来应用与研究中，需要得到进一步的考虑。

5　未来发展趋势

当前人工智能方法在地外天体三维形貌重建中取得了一定的进展，正迎来新的应用阶段，未来的发展趋势将聚焦多源数据应用、学习范式演进、大模型的结合、实时重建处理、标准化平台5个方面，具体如下。

（1）多源数据融合与协同建模。未来地外天体的三维形貌重建将更充分地融合多传感器数据。将轨道器激光高程、雷达测高与高分辨率光学影像结合，利用深度学习实现多源协同建模，可获得兼具高绝对精度和高分辨率的地形模型。类似思路已在当前研究中初步体现，如开发能够输入高分辨率光学影像和低分辨率DEM的多模态神经网络，直接输出精细的三维形貌模型。此外，多源数据的融合还有助于提高算法的泛化能力，使模型适用于不同传感器、不同光照条件的遥感数据。

（2）自监督学习与弱监督方法。为缓解训练数据不足，未来或将采用自监督或迁移学习策略。在无需大量标注三维地形或高程数据的情况下，利用影像的内部结构（如立体影像对的左右一致性、时间序列影像的变化约束）来训练神经网络。这类方法已在地球影像高程估计中取得进展，在地外天体上同样适用。例如，通过影像合成和重投影误差作为损失训练NeRF，使其学习到正确的几何形状。此外，可先在月球或模拟火星数据上训练基础模型，在通过再迁移学习火星的真实数据，可以有效提升神经网络模型初始性能。

（3）大规模视觉模型应用。随着深度学习的发展，具有先验知识的视觉大模型将被引入行星地形重建领域。大模型在视觉理解与生成任务中展现的强大能力，对提升对地外天体三维形貌模型的重建精度具有重要的借鉴意义。例如，以经过海量影像数据训练、具有视觉理解先验的大模型为预训练模型，改进模型在稀疏行星场景的学习效率和效果；或者通过使用扩散模型等具有强大生成能力的生成式大模型，合成高逼真的地形纹理与几何形状等。

（4）实时三维重建与边缘计算。未来的地外天体探测任务（如着陆器、无人机等）对实时环境感知要求提高，这将推动轻量化实时重建算法的发展。预计会出现在边缘设备、航天计算平台上部署的小型神经网络，实现实时从相机视频流生成局部三维地形，以辅助导航决策。3DGS等技术因其速度优势也可能率先得到应用或者推广。同时，优化模型使之更高效（如量化、剪枝）以适应航天器有限的计算资源，也是一大趋势。实时重建技术不仅服务于安全着陆和避障，也能在任务过程中动态更新科学地图。

（5）标准化产品与开源平台。随着人工智能方法日趋成熟，可能诞生标准化的地外天体三维形貌产品。例如，利用深度学习对月球南极影像数据形貌数据进行插值和重建，产出比现有产品分辨率更高且无缝的月球南极DEM供任务使用。此外，开源的软件工具和平台将加速这一领域的发展，类似NASA Ames Stereo Pipeline[50]的开源AI版测图架构、行星数据科学家共享训练数据和模型的社区都会逐步建立。这样一来，使用人工智能方法的地外天体三维形貌重建从研究走向应用的壁垒将降低，更多学科专家可利用人工智能方法生成的高质量地形数据开展行星科学研究。

6　结论

近年来，以卷积神经网络、生成对抗网络、注意力机制模型及神经辐射场等为代表的人工智能方法在地外天体三维形貌建模任务中的应用取得了显著进展，突破了现有三维形貌重建方法对高质量立体影像、控制点和成像几何模型的依赖，显著提升了重建地形模型的分辨率、精细度与重建过程的自动化程度。特别是在火星、月球、小行星等缺乏控制基准、光照复杂或纹理稀疏的环境下，人工智能方法展现出更强的稳健性与适应性，已逐步应用于形貌建模、着陆选址、巡视导航等任务中，成为地外天体测绘的重要补充乃至潜在主力手段之一。然而，当前基于人工智能的三维形貌重建方法在泛化能力、物理一致性、误差评估、资源成本及与现有测图流程的融合方面仍面临一系列挑战，限制了其在地外天体探测任务中的推广应用。未来的研究应聚焦于多数据的融合与协同、自监督与迁移学习、大模型实际应用、物理先验融合与边缘计算部署等方向，推动人工智能方法与现有方法的优势互补，加快构建高精度、高效率、高适应性的地外天体三维形貌重建体系，服务于我国正在和即将开展的地外天体探测等重大工程任务。