利用扩散模型检测分布外地球观测图像

地球观测图像能够捕捉罕见且异常的事件，如灾害和重大景观变化，其视觉外观与常规观测形成对比。在常见遥感数据上训练的深度模型对于这些分布外样本会输出与其训练数据集更接近的样本截然不同的特征。因此，检测它们有助于预测观测中的地理或环境变化。在本工作中，我们表明扩散模型的重建误差可以有效地作为遥感图像的无监督分布外检测器，将其用作似然得分。此外，我们引入了 ODEED，一种利用扩散模型的概率流 ODE 的基于重建的新型评分器。我们在 SpaceNet 8 上通过各种场景实验验证了它，例如具有地理偏移的经典 OOD 检测和近 OOD 设置：洪水前/后和非洪水/洪水图像识别。我们表明，在更具挑战性的洪水图像检测近 OOD 场景（其中 OOD 图像接近分布尾部）中，我们的 ODEED 评分器显著优于其他基于扩散和判别式的基线。我们旨在为更好地利用生成模型进行遥感异常检测铺平道路。