RS-34 Missing-Band Reconstruction vs Robust Adaptation

摘要

遥感模型遇到缺失 band 有两条路线：先重建缺失 band 再做下游任务，或让模型直接对缺失 band 鲁棒。2024-2026 的光谱 foundation model、masked spectral modeling 和扩散式 band repair 让这个问题重新变得有研究价值。核心判断是：如果下游任务需要物理可解释的光谱曲线，重建路线更强；如果目标是分类/分割泛化，鲁棒适配可能更简单、更稳。

问题由来

真实遥感输入经常不完整：传感器原生 band 不同、云和质量控制屏蔽部分波段、不同产品处理级别不一致、商业卫星只提供少数通道。直接补零或丢弃样本会造成信息浪费；但盲目重建 band 也可能生成光谱上好看、下游却有害的伪信号。

代表论文与项目

两条路线

先重建再推理

优点：输出完整光谱，适合光谱指数、物理反演、材料识别和可解释分析。
缺点：重建误差会传播到下游；生成模型可能产生看似合理但物理不真实的 band。

直接鲁棒适配

优点：训练目标直接对下游任务负责，不必保证每个 band 重建精确。
缺点：对需要完整光谱曲线的任务不够透明，也难以解释缺 band 时模型到底依赖什么。

当前问题

• 论文常只用随机 band dropout，缺少真实传感器不可观测 band 的设置。
• reconstruction metric，如 SAM/PSNR/RMSE，不一定预测下游 mIoU/F1。
• 缺少不确定性输出：重建 band 应告诉用户哪些波段不可靠。
• 多分辨率 band 的缺失和重建常被简化成同分辨率 cube。

可执行研究方案

题目：When Should We Reconstruct Missing Bands?

数据：

• Sentinel-2/Landsat-HLS paired scenes。
• EnMAP/EMIT 与 Sentinel-2 对齐样本。
• SpectralEarth 或公开 HSI classification datasets。

方法：

1. Zero-fill / mean-fill / spectral interpolation。
2. MAE reconstruction。
3. diffusion band repair，如 AnyBand-Diff 思路。
4. robust adaptation，如 HyperFree/Any-Optical-Model。
5. hybrid：先重建并把 reconstruction uncertainty 作为下游输入。

指标：

• 光谱指标：SAM、RMSE、index preservation。
• 下游指标：classification F1、segmentation mIoU、change detection F1。
• uncertainty calibration：重建误差与下游错误相关性。
• compute cost。

最小实验：

在 Sentinel-2 13 band 上模拟丢失 NIR/SWIR，与真实 Landsat/HLS band 差异对照，比较“重建后分割”和“缺 band 鲁棒分割”。

未来方向

1. 真实 paired sensor missing-band benchmark。
2. 物理一致 diffusion repair，保留 NDVI/NDWI/NDBI。
3. reconstruction uncertainty-aware downstream adapter。
4. 多分辨率 band repair，不先强制重采样。
5. 针对任务选择是否重建的 routing policy。