相信看到目标的视图：挖掘跨视图冲突以进行可靠性门控灾害损失评估

灾难发生后，建筑物的损坏情况是通过头顶的瓷砖和地面照片进行评估的，大多数方法对称地融合这两种视图，对每栋建筑物都同样信任这两种视图。本文重点关注该假设失败的样本：两个独立训练的单视图模型不一致的冲突案例。我们从三对集合中挖掘此类案例（2025 年伊顿野火的检查照片以及飓风伊恩和米尔顿的街景全景图，每张都与非常高分辨率的高架图块相匹配），它们占数据的 10-33%。在这些样本上，一个简单地相信正确视图的预言机以 0.37-0.41 的准确度击败了我们测试的每种融合方法，并且差距在更长的训练、校准和骨干模型更改中仍然存在。我们通过可见性条件可靠性门来恢复其中的一部分：一个线性模型，根据构建可见性特征、校准的每个视图置信度以及分歧本身来决定信任哪个视图。在野火数据上，门是唯一显着优于校准概率平均（冲突时 +0.051，p=0.0001）和端到端融合（+0.072，p<10^-4）的方法；在全景数据集上它与它们匹配。受控视野实验解释了原因：朝建筑物方向裁剪全景图可以使融合的效果加倍，而相同大小的随机裁剪则不会。最后，冲突的空间密度预测没有标签的图块级损坏（Spearman r=0.615，p=0.001）。采矿冲突变成“核聚变有帮助吗？”进入“哪种观点应该被信任、在哪里、为什么？”。