用于跨分辨率土地覆盖映射的双分支局部-全局框架
计算机视觉与模式识别
2025-12-24 v1
摘要
跨分辨率土地覆盖映射旨在从粗糙或低分辨率监督信号中生成高分辨率语义预测，但严重的分辨率不匹配使得有效学习高度具有挑战性。现有的弱监督方法往往难以将细粒度空间结构与粗标签对齐，导致噪声监督和映射精度下降。为解决此问题，我们提出了DDTM（双分支弱监督框架），显式地将局部语义细化与全局上下文推理解耦。具体而言，DDTM引入基于扩散的分支，在粗监督下逐步细化细尺度局部语义，同时采用基于变换器的分支在较大空间范围内强制长程上下文一致性。此外，我们设计了伪标签置信度评估模块，以缓解由跨分辨率不一致性引起的噪声并有选择地利用可靠的监督信号。广泛的实验表明，DDTM在切尔斯佩克湾基准测试上建立了新的状态-of-the-art，实现66.52%的mIoU，显著优于先前的弱监督方法。代码可在 https://github.com/gpgpgp123/DDTM 上获取。
引用
@article{arxiv.2512.19990,
title = {A Dual-Branch Local-Global Framework for Cross-Resolution Land Cover Mapping},
author = {Peng Gao and Ke Li and Di Wang and Yongshan Zhu and Yiming Zhang and Xuemei Luo and Yifeng Wang},
journal= {arXiv preprint arXiv:2512.19990},
year = {2025}
}