MOMO：面向火星轨道应用的火星轨道模型基础模型
计算机视觉与模式识别
2026-04-06 v1 人工智能
机器学习
摘要
我们提出了MOMO，第一个面向火星遥感的多元传感器基础模型。MOMO使用模型合并来整合从三个关键火星传感器（HiRISE、CTX和THEMIS）独立学习的表示，覆盖从0.25米/像素到100米/像素的分辨率。我们方法的核心是新颖的等验证损失（EVL）策略，该策略在通过任务算术进行融合之前，根据验证损失相似性对齐各传感器的检查点。这确保了模型在兼容的收敛阶段进行合并，从而提高了稳定性和泛化能力。我们在一个大规模、高质量的火星轨道数据语料库（约 百万样本）上训练MOMO，并在Mars-Bench的9个下游任务上评估它。MOMO的整体性能优于ImageNet预训练、地球观测基础模型、传感器特定预训练和完全监督的基线。特别是在分割任务上，MOMO表现出一致且显著的性能提升。我们的结果表明，通过最优检查点选择策略进行模型合并，为构建多分辨率数据的基础模型提供了一种有效方法。模型权重、预训练代码、预训练数据和评估代码可在https://github.com/kerner-lab/MOMO获取。
引用
@article{arxiv.2604.02719,
title = {MOMO: Mars Orbital Model Foundation Model for Mars Orbital Applications},
author = {Mirali Purohit and Bimal Gajera and Irish Mehta and Bhanu Tokas and Jacob Adler and Steven Lu and Scott Dickenshied and Serina Diniega and Brian Bue and Umaa Rebbapragada and Hannah Kerner},
journal= {arXiv preprint arXiv:2604.02719},
year = {2026}
}
备注
Accepted at CVPR 2026 (Main Track)