FlowEO：面向地球观测的生成式无监督域适应

地球观测数据的日益增多提供了进行大规模环境监测和分析的前所未有的机会。然而，这些数据集本质上是异构的，源于多样化的传感器、地理区域、获取时间和大气条件。训练和部署域之间分布迁移严重限制了预训练遥感模型的泛化能力，使得无监督域适应（UDA）对于实际应用至关重要。我们引入 FlowEO，一个利用生成模型进行地球观测图像空间 UDA 的新框架。我们利用流匹配学习一个在语义上保持的映射，将从源域到目标域图像分布进行传输。这使我们能够解决遥感图像分类和语义分割的各种具有挑战性的域适应配置。我们在四个数据集上进行了广泛实验，涵盖了包括 SAR 到光学转换以及由自然灾害引起的时序和语义偏移等适应场景。实验结果表明，FlowEO 在域适应中超过了现有的图像翻译方法，同时实现了与现有方法持平或更好的感知图像质量，凸显了基于流匹配的 UDA 在遥感领域的潜力。