2025年8月，中国科学院地理科学与资源研究所研究团队在“IEEE Transactions on Geoscience and Remote Sensing”发表“A Real-Time Orthophoto Generation Approach for UAV Based on Deep Learning Visual Feature”文章，提出一种融合深度学习视觉特征的无人机实时正射影像生成方法。研究首先通过集成SuperPoint、SuperGlue和HF-Net至当前先进的视觉SLAM系统中，在低纹理、光照变化等挑战性场景下的鲁棒性和精度得到显著提升。结合高效的地理配准、正交性优选校正和多波段融合策略，能够实时生成几何精确、无缝拼接的高质量正射影像。研究结果使用8个真实场景的数据集进行定性与定量的评估，并与主流商业软件Agisoft Metashape (基于SfM) 和开源实时方案OpenREALM (基于ORB-SLAM) 进行了全面比较，与离线的Agisoft Metashape相比，平均处理时间缩短了45.2%。与OpenREALM相比，虽然特征提取导致耗时略微增加，但整体效率相当，且鲁棒性远超后者。提出的方法能够在多种真实场景下，稳定生成大范围、高精度且视觉效果一致的正射影像图。在效率、鲁棒性和生成质量上均优于或媲美现有主流方案，为应急测绘等时效性要求高的应用提供了可靠的技术途径。

图1 实验结果图

论文原文：B. Du, H. Ye, Y. Zhang and X. Liao, "A Real-Time Orthophoto Generation Approach for UAV Based on Deep Learning Visual Feature," in IEEE Transactions on Geoscience and Remote Sensing, doi: 10.1109/TGRS.2025.3599405（供稿单位：中国科学院地理科学与资源研究所）