论文解读 | CVPR 2025 Highlight | 2026-06-01

📄 论文信息

🎯 解决的核心问题

问题背景

遥感数据天然具有多源异构的特点：

• 分辨率差异：从0.3米的无人机影像到30米的Sentinel-2，跨越100倍
• 通道数量不同：RGB（3通道）、多光谱（4-13通道）、SAR（2通道）
• 覆盖范围多样：小区域精细观测 vs 大范围宏观监测
• 传感器类型繁多：光学、SAR、高光谱等11种以上传感器

现有方法的局限

1. 单模型单数据：每个数据集需要单独训练模型，无法共享知识
2. 分辨率不兼容：不同分辨率的数据需要不同的网络架构
3. 模态隔离：光学和SAR数据通常分开处理
4. 扩展性差：新增传感器需要重新设计模型

核心问题提炼

如何用一个统一的模型处理任意分辨率、任意尺度、任意模态组合的遥感数据？

💡 解决方案

核心创新点1：Scale-Adaptive JEPA架构

设计动机：传统MAE需要固定输入尺寸，无法处理不同分辨率的图像。

具体实现：

• 采用Joint Embedding Predictive Architecture (JEPA)，不依赖像素级重建
• 引入尺度自适应机制，根据输入数据的GSD自动调整
• 使用分块嵌入策略，将不同分辨率的图像映射到统一的特征空间

关键细节：

论文解读 | ICML 2025 | 2026-06-01

📄 论文信息

🎯 解决的核心问题

问题背景

遥感数据具有两大独特挑战，使得直接套用计算机视觉方法变得困难：

论文解读 | WACV 2026 | 2026-06-01

📄 论文信息

🎯 解决的核心问题

问题背景：遥感数据的"三多"挑战

地球观测（Earth Observation, EO）数据具有独特的"三多"特性：

1. 多模态：光学（Sentinel-2）、SAR（Sentinel-1）、高光谱、DEM等不同传感器
2. 多时相：同一区域在不同时间点的观测，蕴含丰富的时序变化信息
3. 多光谱：单个传感器就有多个光谱波段（如Sentinel-2有13个波段）

这些特性使得直接将自然图像领域的自监督学习方法（如MAE）迁移到遥感领域存在根本性挑战。

现有方法的局限

核心问题提炼

如何设计一个统一的自监督学习框架，能够高效地融合多模态、多时相、多光谱的遥感数据，同时保持计算效率？

论文解读 | arXiv 2025 | 2026-06-01

📄 论文信息

🎯 解决的核心问题

问题背景

遥感领域存在一个有趣的现象：MAE（掩码自编码器）几乎垄断了自监督预训练的天下。从SatMAE到Scale-MAE，几乎所有主流的遥感基础模型都采用MAE范式——遮住图像的一部分，让模型去重建。

但这里有个根本性的问题被忽视了：

遥感图像天生就是多尺度的。

同一场景在不同传感器下，GSD（地面采样距离）可以从0.3米到几十米不等。一个建筑物在高分辨率下是清晰的矩形，在低分辨率下可能只是一个模糊的像素点。

现有方法的局限

MAE的核心思路是重建被遮挡的像素。这个任务本质上是"填补缺失"，而不是"理解尺度"。具体来说：

1. MAE的尺度感知是被动的：Scale-MAE虽然引入了GSD信息作为位置编码，但这只是在输入端"告诉"模型当前图像的尺度，模型并没有主动学习尺度的能力
2. MAE对GSD元数据有依赖：如果推理时没有GSD信息，性能会显著下降
3. MAE的多尺度利用不充分：虽然可以处理不同分辨率的图像，但训练时并没有显式地利用多尺度信息

核心问题提炼

能否用对比学习（DINO）替代MAE，让模型在预训练阶段就主动学习多尺度表示，而不依赖外部GSD元数据？

💡 解决方案

核心洞察：DINO天然适合多尺度

作者的核心洞察非常精妙：

DINO在训练时会生成多个不同尺度的视图（global views + local views），这些视图本身就是多尺度的。这与遥感图像的多尺度特性完美契合。

具体来说，DINO的标准训练流程是：

• Global views：覆盖图像25%-100%的区域
• Local views：覆盖图像5%-25%的区域

这意味着模型在训练过程中，天然就会看到同一场景在不同"缩放级别"下的样子——这不正是遥感图像多尺度特性的完美模拟吗？

创新点1：GSD编码（Ground Sample Distance Encoding）

设计动机：

现有的GSD编码方法（如Scale-MAE）将GSD作为位置编码的一部分注入模型。但这种方法有两个致命缺陷：

1. 训练时必须有GSD元数据
2. 推理时如果GSD信息缺失，性能会崩溃

具体实现：

SatDINO提出了一种从图像本身学习GSD的优雅方案：

论文解读 | ICCV 2025 | 2026-06-01

📄 论文信息

🎯 解决的核心问题

问题背景

在遥感领域，我们经常需要处理多种模态的数据：光学图像（RGB）、多光谱图像（MS）、合成孔径雷达（SAR）等。这些不同模态的数据各有优势——光学图像色彩丰富，SAR能穿透云雾，多光谱能捕捉植被健康状况。

现有方法的局限

目前的多模态遥感基础模型存在一个尴尬的问题：

1. 参数冗余：为每种模态训练单独的backbone，导致模型参数量爆炸
2. 效率低下：不同模态的模型无法共享特征，计算资源浪费严重
3. 语义不一致：不同模态提取的特征难以对齐，影响下游任务性能

核心问题提炼

如何用一个统一的backbone高效处理多种遥感模态，同时保持各模态的独特特性？

💡 解决方案

核心创新点1：统一Transformer骨干网络

设计动机：既然不同模态的图像都是2D数据，为什么不共享一个backbone？

具体实现：