Multi-view neural 3D reconstruction of unknown spacecraft targets in autonomous rendezvous

Autonomous rendezvous with non-cooperative spacecraft requires perception systems able to interpret targets without navigation aids, communication support, or reliable prior geometric models. In this context, image-based 3D reconstruction can support inspection, tracking, pose estimation, and future proximity-operation tasks. This thesis investigates the applicability of NeuS, a neural implicit surface reconstruction method, to multi-view 3D reconstruction of unknown spacecraft targets in close-proximity rendezvous scenarios. NeuS represents the surface as the zero-level set of a signed distance function and optimizes it through differentiable volume rendering. A synthetic pipeline is developed using the Celestial Object Rendering TOol (CORTO), a rendering tool for synthetic space imagery, to generate spacecraft image sequences along relative observation trajectories, train the reconstruction model, extract the resulting mesh, and evaluate it against reference geometry. The experimental analysis includes a controlled ablation study and a set of more realistic synthetic scenarios. The ablation study isolates the effects of illumination, foreground-mask quality, camera-pose estimation, and target geometry. The realistic scenarios combine fixed-direction illumination, image-derived masks, and COLMAP-estimated poses, and assess whether an additional observation orbit improves the reconstruction. The results show that NeuS can recover coherent spacecraft geometry, but also that performance depends strongly on the full acquisition pipeline. Pose errors, unfavorable illumination, segmentation inaccuracies, and limited view coverage affect the final mesh. In realistic conditions, a second complementary observation trajectory improves the reconstruction. Finally, a preliminary geometry-oriented uncertainty score is explored as a first step toward identifying less reliable surface regions.

Missioni di rendezvous autonome con target non cooperativi richiedono sistemi percettivi capaci di gestire oggetti privi di supporti alla navigazione relativa e modelli geometrici affidabili. In questo contesto, la ricostruzione 3D da immagini può supportare ispezione, tracciamento, stima della posa e future operazioni di prossimità. Questa tesi studia l’applicabilità di NeuS, un metodo di ricostruzione neurale implicita di superfici, alla ricostruzione 3D multi-vista di target spaziali sconosciuti in tipici scenari di rendezvous. NeuS rappresenta la superficie come il livello zero di una funzione di distanza con segno e l'ottimizza tramite volume rendering differenziabile. Viene sviluppata una metodologia basata sul Celestial Object Rendering TOol (CORTO), uno strumento per la generazione di immagini spaziali sintetiche, per generare sequenze di immagini lungo traiettorie relative, addestrare il modello, estrarre la mesh e valutarla rispetto a una geometria di riferimento. L’analisi comprende uno studio di ablazione e scenari sintetici più realistici. Lo studio di ablazione isola gli effetti dell'illuminazione, della qualità delle maschere, della stima delle pose di camera e della geometria del target. Gli scenari realistici combinano illuminazione a direzione fissa, maschere derivate dalle immagini e pose stimate con COLMAP, valutando anche l’effetto di una seconda orbita di osservazione. I risultati mostrano che NeuS può recuperare una geometria coerente, ma anche che le prestazioni dipendono dall’intera catena di acquisizione di immagini e pose. Errori di posa, illuminazione sfavorevole, inaccuratezze di segmentazione e copertura limitata delle viste influenzano la mesh finale. In condizioni realistiche, una traiettoria complementare migliora la ricostruzione. Infine, viene proposto uno score preliminare di incertezza geometrica per identificare regioni della superficie meno affidabili.