SeasonStereo: 생성형 AI를 활용한 다중 날짜 위성 이미지의 강력하고 정밀한 스테레오 매칭

SeasonStereo: Robust Dense Stereo Matching for Multi-Date Satellite Imagery via Generative AI

정확한 3차원 복원은 일반적으로 거의 동시에 촬영된 스테레오 이미지를 기반으로 하지만, 이는 계절 변화 및 조명 조건이 다른 다중 날짜 이미지를 사용하는 경우 적용하기 어렵습니다. 다양한 외관 변화에 강건한 밀집 스테레오 매칭 모델을 학습시키는 것은 오랜 과제이며, 정렬된 다중 날짜 이미지와 정확한 지오메트리 데이터를 대규모로 확보하는 데 많은 비용이 소요됩니다. 본 논문에서는 SeasonStereo라는 확장 가능한 프레임워크를 제안합니다. 이 프레임워크는 제어된 계절적 외관 변화를 가진 합성 이미지 쌍을 사용하여 다중 날짜 위성 이미지로부터 입체 시차(disparity)를 추정하고, 동시에 기초 모델에서 얻은 사전 지오메트리 정보를 활용합니다. SeasonStereo는 최첨단 LiDAR 기반 모델과 동등한 정확도를 제공하며, 정렬된 실제 다중 날짜 학습 데이터나 LiDAR 파생 레이블 없이도 더 선명한 지오메트리 디테일을 생성합니다. 결과적으로, SeasonStereo는 낮은 감독 비용으로 다양한 위성 이미지로부터 대규모 3차원 복원을 가능하게 하는 실용적인 방법을 제공합니다.

Accurate 3D reconstruction from satellite imagery typically relies on near-simultaneous stereo pairs, limiting its applicability to diachronic settings where multi-date images exhibit varying seasonal and illumination conditions. Training dense stereo matching models robust to appearance changes is a long-standing challenge, as aligned multi-date imagery and ground-truth geometry are costly to obtain at scale. We propose SeasonStereo, a scalable framework that addresses disparity estimation from diachronic satellite images by training on synthetic image pairs with controlled seasonal appearance variation, while leveraging zero-shot geometric priors from foundation models. SeasonStereo matches the accuracy of state-of-the-art LiDAR-supervised models, while producing sharper geometric details without requiring aligned real multi-date training products or LiDAR-derived labels. As a result, SeasonStereo offers a practical path toward large-scale 3D reconstruction from heterogeneous satellite images with reduced supervision cost.