Видеть сквозь туман и ночь: новая нейросеть научилась вытаскивать контуры зданий из спутниковых снимков в плохую погоду
*
Спутниковые снимки давно стали привычным инструментом для картографии, планирования городов и работы спасательных служб. Однако стоит появиться туману, густой дымке или наступить ночи, и чёткие контуры зданий размываются или полностью исчезают. Обычные алгоритмы, которые отлично справляются в ясную солнечную погоду, в таких условиях резко теряют точность и начинают ошибаться.
16 апреля 2026 года китайские исследователи представили практичное решение этой проблемы. Они создали первый специализированный бенчмарк HaLoBuilding (Hazy + Low-light) — большой набор спутниковых снимков одной и той же местности, сделанных в разное время суток и при разной погоде. Благодаря этому метки контуров зданий получились идеально выровненными даже на сильно деградированных изображениях.
На основе этого датасета авторы разработали нейросеть HaLoBuild-Net. В её архитектуре три ключевых модуля. Первый фокусируется на устойчивых низкочастотных признаках и подавляет помехи от тумана и дымки. Второй помогает удерживать общую структуру зданий на разных масштабах. Третий очищает шум и уточняет размытые границы.
В тестах новая сеть заметно обогнала все существующие методы, включая каскадные схемы «сначала улучшить фото — потом выделить здания». Кроме того, HaLoBuild-Net хорошо работает и на других известных датасетах: WHU (снимки китайских городов), INRIA (аэрофотоснимки Франции и Австрии) и LoveDA (разнообразные ландшафты).
Практическая польза очевидна и довольно широка. Такая технология позволяет быстрее и точнее создавать карты в условиях плохой видимости, мониторить новую застройку, оценивать ущерб после наводнений, пожаров или землетрясений, когда обычные оптические снимки становятся почти бесполезными. Особенно это важно для регионов с частыми туманами, муссонными дождями или полярной ночью. Код и датасет авторы сразу выложили в открытый доступ.
Конечно, это не волшебная палочка, которая увидит абсолютно всё в кромешной тьме. Но шаг получился заметным и практичным: сеть сразу учится работать с реальными сложными условиями съёмки, а не пытается сначала искусственно «прояснить» картинку.
Источник:
Feifei Sang, Wei Lu, Hongruixuan Chen, Sibao Chen, Bin Luo. Building Extraction from Remote Sensing Imagery under Hazy and Low-light Conditions: Benchmark and Baseline. arXiv:2604.15088 (2026). https://arxiv.org/abs/2604.15088.
Спасибо, что читаете «Капитал страны»! Получайте первыми самые важные новости в нашем Telegram-канале или Вступайте в группу в «ВКонтакте» или в «Одноклассниках»
*
Написать комментарий