Аннотация:

Тщательное и точное моделирование лунной поверхности формирует основу для эффективного планирования миссий и успешного выполнения задач по исследованию Луны. Всесторонняя цифровая реконструкция имеет важное значение при определении подходящих мест посадки космических аппаратов, а также при составлении карт маршрутов для исследований луноходами. Исторически сложилось так, что использование фотограмметрии лежало в основе большей части работ по реконструкции местности. Однако в последнее время стали появляться передовые алгоритмы машинного обучения, в том числе основанные на нейронных сетях, такие как Neural Radiance Fields и Gaussian Splatting, которые привели к значительным улучшениям. Эти технологии обеспечивают более детальное моделирование, позволяя лучше справляться со сложными вариациями освещения и текстуры.

Кроме того, современные лунные миссии регулярно собирают дополнительные данные, такие как профили температуры поверхности и радарограммы в нескольких диапазонах частот. Интеграция этой дополнительной информации в структуру обучения нейронной сети может значительно повысить точность и достоверность реконструкции поверхности, обеспечивая более полное представление характеристик лунного рельефа.

Целью текущего исследования является применение современных фотограмметрических методов и новых методов реконструкции для анализа снимков поверхности Луны, которые значительно отличаются от обычных изображений: они не содержат полутеней, полупрозрачных объектов и объектов с бликами. В работе проведено сравнение реконструкции поверхности тремя различными методами – классической фотограмметрией, Neural Radiance Fields и Gaussian Splatting, а также выполнен качественный анализ реконструкции на снимках, сделанных при различных углах освещения, соответствующих разному времени пролета спутника над поверхностью Луны.