在地球上安全着陆的准备工作，如寻找最平坦的地形和装备合适的着陆装置，对火星任务也至关重要。
因此，在火星上着陆探测车需要在探测车开始下降之前进行仔细的测绘和规划。科学家们正在努力通过汇编过去任务中获得的图像，绘制精确的火星3D表面地图，即所谓的数字地形模型。
过去二十年来，图像处理技术的进步使地图分辨率从数百米提高到亚米。虽然这是一个非凡的改进，但即使是每像素1米的分辨率也不能完全捕捉到沙丘纹理、小陨石坑和大岩石等精细尺度的特征。
为了更好地绘制2020年毅力号着陆点周围的地质特征，陶宇和同事们使用了一种名为多尺度生成对抗U-Net (MADNet)的深度学习模型，这是他们在之前的工作中设计的。这项新研究发表在《地球与空间科学》杂志上。
MADNet使用现有的、分辨率从每像素4米到36米的后期处理数字地形模型进行混合训练，改进了公开可用的火星2020地形相对导航高分辨率成像科学实验(HiRISE)数字地形模型马赛克。研究人员还检查并改进了多次迭代，以消除输出中的工件和间隙。
结果是每像素50厘米的MADNet HiRISE Jezero数字地形模型马赛克。与原始的马赛克相比，MADNet地图的平均高度差仅为0.009米，标准差为0.63米，这表明深度学习方法的结果与传统的摄影测量方法一致。
研究人员指出，他们的产品比现有的地图有了显著的改进，包括:(1)提高了显示沙丘、陨石坑和岩石等精细表面特征的有效分辨率;(2)减少条纹伪影;(3)剔除匹配质量较低的区域;(4)消除插值伪影。他们的结果是公开的。
本文由Eos重新发布，由美国地球物理联合会主办。点击这里阅读原文。
