Dieses Papier strebt die Entwicklung einer genauen 3D-Geometriedarstellung von Satellitenbildern unter Verwendung von Satellit-Bodenbildpaaren an. Unser Fokus liegt auf dem anspruchsvollen Problem der 3D-bewussten Synthese von Bodensichten aus einem Satellitenbild. Wir schöpfen Inspiration aus der Dichtefeld-Darstellung, die in der volumnetrischen neuronalen Rendering verwendet wird, und schlagen einen neuen Ansatz vor, den wir Sat2Density nennen. Unsere Methode nutzt die Eigenschaften von Bodensicht-Panoramen für Himmel- und Nicht-Himmelbereiche, um treue Dichtefelder von 3D-Szenen in geometrischer Perspektive zu lernen. Im Gegensatz zu anderen Methoden, die zusätzliche Tiefeninformationen während des Trainings benötigen, kann unser Sat2Density automatisch eine genaue und treue 3D-Geometrie durch Dichtedารstellung ohne Tiefenaufsicht lernen. Dieser Fortschritt verbessert die Aufgabe der Synthese von Bodensicht-Panoramen erheblich. Darüber hinaus bietet unsere Studie eine neue geometrische Perspektive, um das Verhältnis zwischen Satelliten- und Bodensichtbildern im 3D-Raum zu verstehen.