REOBench：地球观测基础模型鲁棒性基准
计算机视觉与模式识别
2025-10-24 v2
摘要
地球观测基础模型在多个地球观测任务上显示出强大的泛化能力，但在现实世界扰动下的鲁棒性仍未得到充分探索。为弥合这一差距，我们引入 REOBench，这是首个全面评估地球观测基础模型在六个任务和十二种图像扰动类型（包括外观基于和几何扰动）鲁棒性的基准。为确保现实且细粒度的评估，我们的基准聚焦于高分辨率光遥感图像，这些图像在城市规划和灾害响应等关键应用中广泛使用。我们系统评估了广泛的模型，这些模型是通过掩码图像建模、对比学习和视觉-语言预训练等范式训练而来。我们的结果揭示了：(1) 现有的地球观测基础模型在面临输入扰动时经历显著的性能下降。(2) 性能下降的严重程度在任务、模型架构、背部大小和扰动类型之间存在差异，性能下降范围从小于 1% 到超过 20% 不等。(3) 视觉-语言模型在多模态任务中表现出增强鲁棒性。REOBench 揭示了当前地球观测基础模型对现实扰动的脆弱性，并为开发更可靠、更可预测的模型提供了可操作性见解。代码和数据已公开于 https://github.com/lx709/REOBench。
引用
@article{arxiv.2505.16793,
title = {REOBench: Benchmarking Robustness of Earth Observation Foundation Models},
author = {Xiang Li and Yong Tao and Siyuan Zhang and Siwei Liu and Zhitong Xiong and Chunbo Luo and Lu Liu and Mykola Pechenizkiy and Xiao Xiang Zhu and Tianjin Huang},
journal= {arXiv preprint arXiv:2505.16793},
year = {2025}
}
备注
Accepted to NeruIPS 2025 D&B Track