注意差距：具有可调节空间尺度的地理隐式神经表示

地理测量通常很稀疏，导致大片区域没有我们想要绘制的数量的标签。地理隐式神经表示（INR）通过学习可以在任何坐标查询的平滑通用嵌入来解决这个问题。下游模型将这些嵌入与稀疏标签相结合，以在推理时无需卫星图像的情况下预测未采样位置的目标值。然而，尽管对遥感应用很重要，但对遥远地区的推广在很大程度上仍未得到探索。我们引入了 Matryoshka 隐式神经蒸馏（MIND），它将来自专业预训练地理空间模型的嵌入蒸馏为具有可调整空间粒度的单个通用坐标嵌入。 MIND 在多个嵌入维度上使用嵌套监督，这些维度定义了一系列连续的块。在我们的实验中，早期的块捕获更粗略的地理变化，而后期的块添加更细粒度的细节。下游预测器可以仅保留前导块，或者配备我们的分块惩罚来降低后面块的权重，同时保持完整嵌入，而无需重新训练 INR。为了测量 MIND 并与世界各地现有的方法进行比较，我们引入了 CoordBench，这是一个由 52 美元数据集和 78 美元目标组成的大规模 INR 评估套件，旨在测试不同空间尺度的保留区域的局部插值和预测。 MIND 及其 Chunked Penalty 变体在测试的 INR 中实现了最高的总回归和分类分数，并且在区域坚持下获得了最高的总体分数，为地理 INR 设定了新的最先进水平。