发表机构
Eurecat; Universidad de la República; AMIAD; Institut Universitaire de France; Université Paris-Saclay; CNRS; ENS Paris-Saclay; Centre Borelli（欧洲电信技术研究中心; 乌拉圭共和国大学; AMIAD; 法国大学研究院; 巴黎萨克雷大学; 法国国家科学研究中心; 巴黎萨克雷高等师范学校; 博雷利中心）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
该研究针对多日期卫星图像的RPC优化问题，提出结合季节不变对应关系的鲁棒RPC光束平差流程，在WorldView-3图像实验中优于开源基线，可更高效利用多日期卫星图像。
AI 中文摘要
精确优化有理多项式相机（RPC）模型对于高质量卫星图像地理定位至关重要。在无地面控制点（GCP）的多视图流程中，这种优化通常通过自动提取图像对应关系的光束平差法完成。然而，传统RPC光束平差流程依赖手工特征匹配，在受季节、光照和土地覆盖变化影响的多日期图像集中会变得不可靠。我们提出一种感知外观的RPC优化流程，将用于季节不变对应关系的学习型局部特征匹配与用于选择视觉兼容图像对的全局图像描述符相结合，减少冗余且易出错的匹配，同时保持匹配图的连通性。对季节多样性的WorldView-3图像的实验表明，我们的流程在无GCP的相对RPC优化上优于开源基线，在39至42幅图像的集合上实现了更低的几何一致性误差，同时大幅缩短了匹配时间。通过使RPC优化对历时外观变化更具鲁棒性，我们的方法能更有效地利用多日期卫星图像。
英文摘要
Accurate refinement of Rational Polynomial Camera (RPC) models is essential for high-quality satellite image geolocation. In ground control point (GCP)-free multi-view pipelines, this refinement is commonly performed through bundle adjustment from automatically extracted image correspondences. However, conventional RPC bundle adjustment pipelines rely on handcrafted feature matching, which becomes unreliable in multi-date collections affected by seasonal, illumination, and land-cover changes. We propose an appearance-aware RPC refinement pipeline that combines learned local feature matching for season-invariant correspondences with global image descriptors for selecting visually compatible image pairs. This reduces redundant and error-prone matching while preserving the connectivity of the matching graph. Experiments on seasonally diverse WorldView-3 images show that our pipeline improves GCP-free relative RPC refinement over open-source baselines, achieving lower geometric consistency errors while substantially reducing matching time on collections with 39-42 views. By making RPC refinement more robust to diachronic appearance variation, our approach enables more effective use of multi-date satellite imagery.
