MapSR：通过视觉基础模型快速驱动的土地覆盖地图超分辨率

高分辨率 (HR) 土地覆盖制图通常受到密集 HR 注释成本高昂的限制。我们从地图超分辨率的角度重新审视这个问题，它将粗略的低分辨率（LR）土地覆盖产品增强为输入图像分辨率的 HR 地图。现有的弱监督方法可以利用 LR 标签，但它们通常使用它们来重新训练密集预测器，从而产生大量的计算成本。我们提出了 MapSR，这是一个提示驱动的框架，可以将监督与 模型训练 解耦。 MapSR 使用 LR 标签一次，通过轻量级线性探针从冻结的视觉基础模型特征中提取类别提示，之后通过 无需训练 度量推理和基于图形的预测细化进行 HR 映射。具体来说，通过聚合线性探针识别的高置信度 HR 特征来估计课程提示，并通过余弦相似性匹配和基于图形的传播进行空间细化来获得 HR 预测。在切萨皮克湾数据集上的实验表明，MapSR 在没有任何 HR 标签的情况下实现了 59.64% mIoU，与最强的弱监督基线保持竞争力，并超越了完全监督基线。值得注意的是，MapSR 将可训练参数减少了四个数量级，并将训练时间从几小时缩短到几分钟，从而在有限的注释和计算预算下实现可扩展的 HR 映射。该代码可在 https://github.com/rikirikirikiriki/MapSR 获取。