无需训练 平流细化遥感图像实体级少样本分割

现有的跨域少镜头分割方法由于源域情景训练和像素级密集预测而遭受高训练成本，同时经常产生碎片和噪声预测。为了克服这些问题，我们提出了一种用于具有平流细化的遥感图像的 无需训练 实体级少镜头分割框架。具体来说，我们首先利用 SAM3 的通用几何先验来生成与类别无关的实体基元。通过重新制定从像素级预测到实体级推理的少镜头推理，构建前景和背景原型，并将其与来自 SAM3 的密集文本语义响应相结合，以构建多模态语义势场。此外，引入基于平流方程的语义细化机制来跨特征和相似性空间传播类别感知信息，增强语义连续性并抑制局部纹理噪声。对多个遥感数据集的大量实验表明，所提出的框架有效地减轻了域偏移和局部噪声，显着提高了 SAM3 在无需额外训练的情况下对遥感少样本分割的适应能力。我们的代码将在 https://github.com/yu-ni1989/ELFSS-AR 上公开提供。