通过掩模条件生成人工智能生成用于野火检测的卫星图像数据

标记卫星图像的稀缺仍然是基于深度学习 (DL) 的野火监测系统的基本瓶颈。本文研究了基于扩散的地球观测 (EO) 基础模型 EarthSynth 是否可以在现有烧伤掩模的条件下合成逼真的野火后 Sentinel-2 RGB 图像，而无需针对特定任务进行再训练。使用源自 CalFireSeg-50 数据集（Martin 等人，2025）的燃烧掩模，我们设计和评估了六种系统变化的受控实验配置：（i）管道架构（仅掩模完整生成与火灾前上下文修复），（ii）提示工程策略（三个手工制作的提示和通过 Qwen2-VL 的 VLM 生成的提示），以及（iii）按区域进行颜色匹配后处理步骤。对 10 个分层测试样本的定量评估使用四个互补指标：加深 IoU、加深区域颜色距离 (ΔC_burn)、暗度对比度和光谱合理性。结果表明，基于修复的管道在所有指标上始终优于全图块生成，结构化修复提示实现了最佳空间对齐（Burn IoU = 0.456）和烧伤显着性（暗度对比度 = 20.44），而颜色匹配以降低烧伤显着性为代价产生最低的颜色距离（ΔC_burn = 63.22）。 VLM 辅助修复与手工制作的提示相比具有竞争力。这些发现为将生成数据增强纳入野火检测管道奠定了基础。代码和实验位于：https://www.kaggle.com/code/valeriamartinh/genai-all-runned