谱隙与空间先验：使用 TerraMind 研究高光谱下游适配
计算机视觉与模式识别
2026-03-25 v2
摘要
地理空间基础模型（GFMs）通常缺乏对高光谱成像（HSI）的原生支持，这源于高维光谱数据复杂且数据规模庞大。本研究探讨了 TerraMind 这一多模态 GFMs 在无 HSI 特定预训练情况下适配 HSI 下游任务的可行性。因此，我们实现并比较了两种通道适配策略：朴素波段选择与物理感知的光谱响应函数（SRF）分组。总体而言，我们的结果表明，具备原生 HSI 支持的深度学习模型总体优于此类方法。我们的实验还展示了 TerraMind 能够通过波段选择适配 HSI 下游任务，尽管性能略有下降。该研究的发现为 HSI 集成奠定了关键基准，激励未来多模态模型架构中引入原生光谱 tokenization 的需求。
引用
@article{arxiv.2603.06690,
title = {Spectral Gaps and Spatial Priors: Studying Hyperspectral Downstream Adaptation Using TerraMind},
author = {Julia Anna Leonardi and Johannes Jakubik and Paolo Fraccaro and Maria Antonia Brovelli},
journal= {arXiv preprint arXiv:2603.06690},
year = {2026}
}
备注
Accepted to ICLR 2026 Machine Learning for Remote Sensing (ML4RS) Workshop