(arXiv 2025) EarthSynth：让卫星图像“自我生成”的遥感基础模型

主要观点总结

该论文介绍了EarthSynth：一个基于扩散模型的多模态生成框架，用于生成地球观测数据。该框架能够多任务生成，并在多源和多类别条件下进行统一生成，具有显著性能提升。

关键观点总结

关键观点1: 研究背景与目的

论文解决了以往单任务或单源生成方法的泛化不足问题，提出了EarthSynth框架，旨在提高遥感影像理解的泛化能力。

关键观点2: 核心方法与策略

论文采用了基于扩散模型的生成框架，引入CF-Comp训练策略以提高类别多样性和布局可控性。使用冻结的Stable Diffusion UNet作为生成器，并通过全局与局部损失约束生成质量。训练后利用R-Filter基于CLIP分数筛选高信息样本，用于多任务下游模型训练。

关键观点3: 创新点

论文提出了多源多类统一生成的方法，首次在多源和多类别条件下进行统一的多任务生成。引入CF-Comp训练策略和R-Filter规则筛选机制，提高了生成样本的质量和多样性。

关键观点4: 数据集与实验

论文构建了EarthSynth-180K数据集，包含18万对齐的图像、语义掩码和文本描述，用于遥感扩散训练。实验证明，该框架在开集场景下实现了显著性能提升。