- 遥感图像的组合检索
本文介绍了一种应用于遥感的组合图像检索方法，该方法允许通过图像示例和文本描述在大型图像库中进行查询，丰富了对单模态查询（无论是视觉还是文本）的描述能力。我们介绍了一种融合了图像 - 图像和文本 - 图像相似度的新方法，证明了视觉 - 语言模 - MagicBathyNet: 浅水区域水深预测和像素级分类的多模态遥感数据集
本文介绍了 MagicBathyNet，这是一个用于学习型水深测量和像素级别分类的基准数据集，由 Sentinel2、SPOT-6 和航空影像的图像补丁、栅格格式的水深测量数据和海底类别的注释组成。
- 利用知识蒸馏在多个遥感数据集上进行部分多任务学习
本文旨在提出一种基于知识蒸馏的部分多任务学习方法，以克服在缺乏所有任务标注的情况下进行全面多任务学习的次优性，并通过在航空图像中进行的对象检测和语义分割等语义任务的实验验证了该方法的有效性。
- 基于概率先验信息集成的多模态对象检测
通过将上下文二进制信息转化为概率图，并提出一种早期融合结构，在 DOTA 数据集上进行了广泛实验证实，本文研究了仅有一种模态包含目标物体且其他模态提供关键上下文信息的多模式目标检测中的对齐问题。
- 基于 SAM 先验的多视角遥感图像分割
通过将可视化基础模型 Segment Anything（SAM）注入到隐式神经场模型 - INF 中，我们提出了一种新的多视图遥感图像分割方法，通过对测试视图和训练视图之间的 SAM 特征进行对比，得出每个测试视图的伪标签，从而增强整个场景 - AutoLCZ：基于规则的遥感自动化局部气候区域映射
提出了一种新的 LCZ 映射框架 AutoLCZ，通过从高分辨率 RS 模态中提取 LCZ 分类特征，通过模仿 LCZ 定义的数值规则，基于 GIS 实现了从 RS 数据进行 LCZ 分类的方法。AutoLCZ 方法具有减少获取准确元数据所 - RSDehamba: 轻量级遥感卫星图像去雾视觉麻蛇
基于 RSDhamba 的轻量级网络，将选择性状态空间模型（SSM）整合到 U-Net 架构中，通过视觉 Dehamba 块（VDB）实现全局上下文编码，并通过 Direction-aware Scan 模块（DSM）动态聚合特征交换，以有 - 远程感知的传感器间自我监督训练与校准
我们介绍了 “X-STARS” 的远程感知数据的跨传感器自监督训练和对齐方法，通过设计多传感器对齐稠密损失（MSAD）来对齐不同分辨率的传感器所表示的数据，从而提高模型在各种数据可用性和分辨率条件下的性能。
- 去雾遥感与无人机影像：深度学习、基于先验和混合方法的综述
在遥感和无人机应用中，高质量图像是至关重要的，但大气雾霾严重影响图像质量，因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点，还探讨了去雾技术在遥感和无人机数据集中的应用，全面概述了这些领域中的深度学习和基于先验的 - 远程扩散
利用 RSICD 數據集訓練了具有 0.2 損失的 Stable Diffusion 模型，並通過合成數據集和定制遙感 LLM 進行了 Land Use Land Classification 任務，但由於標題質量和模型表現的挑戰，生成的圖 - 远程感知影像的知识感知文本 - 影像检索
通过使用外部知识图谱挖掘相关信息，我们提出了一种适用于遥感图像的知识感知文本 - 图像检索（KTIR）方法，该方法丰富了搜索查询中可用的文本范围，缓解了文本和图像之间的信息差距，实现更好的匹配。实验结果表明，该方法在遥感文本 - 图像检索中 - 使用符合预测法进行深度学习模型校准外检测
在遥感等关键应用中，深度学习模型的黑盒特性使其使用变得复杂。与数据可交换性相关的符合预测是一种能确保信任的方法，可提供有限样本覆盖保证，以用户定义的错误率为形式，确保预测集合包含真实类别。本文展示了符合预测算法与深度学习模型的不确定性相关， - 基于文本的可见光 - 近红外 (400-2499 nm) 波段土壤反射光谱仿真的生成式深度学习模型
基于土壤属性输入的全数据驱动土壤光学生成模型（SOGM）开发了一个可模拟土壤反射光谱的模型，可以生成基于部分输入属性的输出光谱，并可与植物建模软件 Helios 3D 耦合以生成模拟土壤和植物场景的合成航拍图像，可轻松集成于 PROSAIL - MFDS-Net: 远程感知变化检测的多尺度特征深度监督网络，融合全局语义和细节信息
MFDS-Net 是一种基于全局语义和细节信息的多尺度特征深度监督网络，旨在更精细地描述变化的建筑和地理信息，增强变化目标的定位和弱特征的提取。
- 上下文相关：利用时空元数据进行遥感图像的半监督学习
利用时空元信息提高伪标签的质量以及最终模型的性能，我们提出了一种名为时空半监督学习（Spatiotemporal SSL）的框架，通过在训练集上仅将元信息应用于教师模型以改善伪标签的质量，使学生网络在测试时对时空变化具有不变性，并引入了一种 - ICLR远程感知中高效的谐调迁移学习与模态对齐
通过采用 “Harmonized Transfer Learning and Modality Alignment (HarMA)” 方法，本研究在遥感领域中实现了优异的性能，同时最小化了训练开销，通过满足任务约束、模态对齐和单模态统一对齐 - ChangeBind: 远程感知变化检测的混合变化编码器
提出了一种基于 Siamese 网络架构的改变检测方法，通过利用局部和全局特征表示捕捉多尺度特征，精确估计改变区域，实现了对遥感图像的语义变化的编码。在两个具有挑战性的改变检测数据集上的实验研究表明了该方法的优势，并获得了最先进的性能。
- ICLR远程传感平台中的工具增强智能代理评估
通过对 1000 个任务的全面评估，我们提供了关于更强大的遥感应用代理的见解，以填补存在的真实场景下大型语言模型的差距。
- AMMUNet: 遥感图像分割的多尺度注意力地图融合
AMMUNet 是一种基于 UNet 的框架，通过多尺度注意力图合并实现全局建模，用于精确的遥感语义分割，并取得了优越的性能。
- 自监督高光谱图像修复的等变成像
基于自监督学习的新型高光谱成像算法（Hyper-EI）用于修复不完整或损坏的高光谱图像，实验结果显示该算法相较现有方法具有最先进的修复性能。