في رؤية الحاسوب، يُمكّن الاستيريوسكوبية من إعادة بناء المشهد ثلاثي الأبعاد باستخدام صورتين ثنائيتين الأبعاد تم التقاطهما من نقطتين مختلفتين قليلاً، بهدف استخلاص المعلومات المكانية حول عمق المشهد على شكل خريطة للانحرافات (disparity map). وفي الاستيريوفوتوغرامترية، تُعد خريطة الانحرافات ضرورية لاستخراج النموذج الرقمي للسطح (DTM)، وبالتالي الحصول على خريطة مكانية ثلاثية الأبعاد، وهو ما يُعد ضروريًا لتحليل أفضل للأسطح الكوكبية. ومع ذلك، فإن العملية الكاملة لإعادة البناء التي تُنفَّذ باستخدام خوارزمية التماثل الاستيريويّ يمكن أن تكون طويلة ومُرهقة، وقد تُنتج العديد من التشوهات (artifacts). وبالإضافة إلى ذلك، يُعد نقص التغطية الاستيريوية الكافية عائقًا كبيرًا أمام إعادة بناء الخرائط ثلاثية الأبعاد للأجرام السماوية.في الآونة الأخيرة، تم اقتراح العديد من الهياكل العميقة (deep learning architectures) لتقدير العمق من صورة واحدة (monocular depth estimation)، والتي تسعى إلى توقع البُعد الثالث بناءً على صورة ثنائية الأبعاد واحدة فقط، وبفضل تبسيط مشكلة إعادة البناء، فقد أدى ذلك إلى زيادة كبيرة في الاهتمام بالنماذج العميقة في مجالات إنتاج صور ذات دقة فائقة (super-resolution) وتقدير النموذج الرقمي للسطح.في هذه الورقة، ندمج المفهومين الأخيرين في نموذج واحد متكامل (end-to-end)، ونقدّم حلًا جديدًا يعتمد على شبكة توليدية تنافسية (generative adversarial network) يُسمى SRDiNet (Super-Resolution Depth Image Network)، والذي يُقدّر النموذج الرقمي للسطح بدقة 4 أضعاف من صورة واحدة منفردة. بالإضافة إلى ذلك، نُقدّم شبكة فرعية قادرة على تطبيق عملية تحسين (refinement) باستخدام صور مُستخرجة بتجزئة (interpolated input images)، بهدف تحسين التفاصيل الدقيقة في الناتج النهائي. ونُظهر فعالية الفوائد الناتجة من هذا التحسين من خلال ثلاثة إصدارات مختلفة من الاقتراح: SRDiNet باستخدام النهج القائم على الشبكة التنافسية (GAN)، وSRDiNet دون الشبكة التنافسية، وSRDiNet دون الشبكة المُدرّبة على التحسين مع النهج القائم على GAN.وقد تم عرض النتائج المُحققة على منطقة أوكيا بانوم (Oxia Planum)، وهي موقع الهبوط المُخطط له لمركبة روزاليند فرانكلين التابعة لوكالة الفضاء الأوروبية ضمن مهمة إكسمارس 2023، حيث تم تطبيق أفضل نموذج على جميع البلاطات المكوّنة لمنطقة أوكيا بانوم، وتم إطلاق منتج ثلاثي الأبعاد مُحسّن بـ 4 أضعاف.