基于掩码条件的生成式人工智能用于野火检测卫星图像
计算机视觉与模式识别
2026-04-06 v1 人工智能
摘要
卫星遥感图像标注稀缺成为深度学习 (DL) 野火监测系统的根本性瓶颈。本文考察了基于扩散的地球观察 (EO) 基础模型 EarthSynth 是否可在无需任务特定再训练的情况下，依据现有燃烧掩码合成逼真的 post-wildfire Sentinel-2 RGB 图像。我们采用源自 CalFireSeg-50 数据集（Martin 等, 2025）派生的燃烧掩码，设计并评估了六种受控实验配置，系统性地变更：(i) 管道架构（仅掩码全生成 vs. 包含事前背景的图像修复），(ii) 提示工程策略（三个手工设计提示和一个通过 Qwen2-VL 生成的提示），以及 (iii) 区域级颜色匹配后处理步骤。针对 10 个分层测试样本，采用四种互补指标进行定量评估：Burn IoU、burn 区域颜色距离 ({\Delta}C_burn)、Darkness Contrast 和 Spectral Plausibility。结果表明，图像修复式管道在所有指标上均优于全图生成，其中结构化图像修复提示实现了最佳的空间对齐 (Burn IoU = 0.456) 和燃烧显著性 (Darkness Contrast = 20.44)，而颜色匹配产生最低的颜色距离 ({\Delta}C_burn = 63.22)，但以牺牲燃烧显著性为代价。VLM 辅助图像修复与手工设计提示具竞争力。这些发现为将生成式数据增强纳入野火检测管道提供了基础。代码和实验均可在：https://www.kaggle.com/code/valeriamartinh/genai-all-runned 获取。
引用
@article{arxiv.2604.02479,
title = {Generating Satellite Imagery Data for Wildfire Detection through Mask-Conditioned Generative AI},
author = {Valeria Martin and K. Brent Venable and Derek Morgan},
journal= {arXiv preprint arXiv:2604.02479},
year = {2026}
}
备注
22 pages, 7 figures