GeoCFM: Positive-Only Conditional Flow Matching for Mineral Occurrence Sampling¶

会议: ECCV 2026
论文: ECCV 原文
领域: 医学图像 (预定分类，实为地球科学/生成模型)
关键词: 条件流匹配, 正样本学习, 矿产找矿勘查, 空间点采样, 认识不确定性

一句话总结¶

针对矿产勘查中缺乏可靠负样本以及地下不可测地质状态诱发的一对多非唯一性难题，GeoCFM 将传统判别式分数图预测重构为以多通道地球科学栅格图像为条件的连续空间点分布流匹配采样，无需伪负样本即可精准建模并量化矿床空间分布的认识不确定性。

研究背景与动机¶

战略性关键矿产的勘探与成矿远景区预测（Mineral Prospectivity Mapping）是一类在极度不确定性下进行的决策问题。地质学家通常需要综合航空磁测、重力异常、地球化学勘查及构造地质等多源遥感与地球物理栅格图像，对地表潜在的成矿靶区进行空间排序与圈定。然而，过去十余年间全球重大矿床的发现率显著走低，深部与隐伏矿找矿难度剧增，而盲目钻探验证不仅资金代价高昂，而且对生态环境具有破坏性与不可逆性。

从机器学习与计算机视觉的视角来看，矿产勘查并非标准的密集预测或二分类监督学习任务，而是面临两个根本性的结构性困境。首先，监督信号本质上是严苛的“纯正样本”（Positive-Only, PO）或正未标注（Positive and Unlabeled, PU）设置：已知矿床与矿化异常点极其稀疏且存在强烈的历史勘查选择偏差，而广阔的未标注区域仅代表尚未勘探、测试或在当前工业品位下暂时不具经济价值，绝非已证实的可靠负样本。传统判别模型依赖在未标注区域随机抽取伪负样本来训练分类器或分割网络，必然引入系统性的决策边界畸变与高置信度误判。其次，地质系统受控于未观测的深部流体通道、蚀变历史与热液演化等隐变量，导致地表观测与矿化空间分布之间呈现典型的一对多映射，具有极强的认识不确定性（Epistemic Uncertainty）。单一确定性的像素级评分图不仅无法捕捉多模态潜在分布，还会将本该发散的地质可能性强行坍缩为虚假的高确定性。

本文的核心切入角度在于：放弃基于伪负样本的逐像素确定性分类范式，转而将成矿预测形式化为在已知正样本点集监督下的条件空间密度估计与生成采样问题。核心 idea：将矿产勘查表述为以多通道地球物理图像为条件的连续空间点分布生成模型，通过 UNet 特征导引的条件流匹配（GeoCFM）学习从 2D 高斯先验到真实成矿坐标的传输速度场，直接实现无伪负样本的多假设成矿概率采样与认识不确定性量化。

方法详解¶

整体框架¶

GeoCFM 将多通道地球科学网格观测 $d \in \mathbb{R}^{C \times H \times W}$ 作为条件输入，目标是学习稀疏成矿空间坐标集合 $p \in \mathbb{R}^2$ 的条件概率密度 $\pi(p \mid d)$。由于控制成矿的深部地质状态 $g \in \mathcal{G}$ 无法直接测得，矿化位置实质上是隐变量映射 $p = f(d, g)$，在边缘化隐地质状态后，条件分布 $\pi(p \mid d) = \int \pi(p \mid d, g) \pi(g \mid d) \, dg$ 呈现复杂的多峰结构。GeoCFM 通过连续归一化流的流匹配框架建立从二维标准高斯基分布 $\pi_0 = \mathcal{N}(0, I_2)$ 到目标成矿空间分布的传输速度场，并通过 UNet 稠密特征在连续坐标处的双线性局部采样，无缝弥合连续坐标点集与离散栅格图像之间的表征鸿沟。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["多通道地球科学栅格 d<br/>(磁异常/重力/化探等)"] --> B["UNet 稠密特征编码器"]
    C["高斯先验噪声点 z ~ N(0, I2)<br/>与时间步 t in [0, 1]"] --> D["点位连续插值与坐标采样<br/>pt = t p + (1 - t) z"]
    B --> E["双线性特征采样与点流网络"]
    D --> E
    E --> F["残差速度场头与 ODE 积分求解"]
    F --> G["多样化成矿候选点集与概率密度<br/>(多假设表征认识不确定性)"]

关键设计¶

1. 空间点流匹配与纯正样本边缘化传输：摆脱伪负样本构建与决策边界扭曲 传统矿产潜力制图为了训练二分类器或分割网络，必须在广袤的未标注地层中强制采样假想的“非矿区”作为伪负样本，这直接破坏了监督学习的无偏假设。GeoCFM 从本质上改变了建模对象，将每个已知矿床视为从数据空间经验分布 $p \sim \pi_{\text{data}}(\cdot \mid d)$ 中抽取的连续空间坐标 $p \in \mathbb{R}^2$。模型定义了一个定义在连续坐标与时间上的时变速度场 $v_\theta(p, t \mid d)$，建立连接高斯先验 $z \sim \mathcal{N}(0, I_2)$ 与目标真实矿床点 $p$ 的直线插值轨迹 $p_t = t p + (1 - t) z$。在流匹配的框架下，该轨迹所对应的理论目标速度场恒为常数向量 $v^* = \dot{p}_t = p - z$。通过对所有已知矿床点和均匀采样的时间步回归目标速度，模型直接学习如何将空间粒子推移至高潜力矿化区域，整个训练过程中未引入任何无标注像素或负样本假设，从机制上根除了伪负样本带来的几何与空间自相关偏差。

2. 图像到点集的连续特征条件引导：双线性局部特征探测解耦空间分辨率 将离散的多通道网格遥感数据与连续空间中的稀疏点集协同建模，是条件点流匹配的核心架构挑战。GeoCFM 设计了点条件速度预测架构：首先利用多层 UNet 编码器 $F_\xi$ 提取输入地球物理图像 $d$ 的多尺度多通道稠密特征图 $\Phi_\xi = F_\xi(d) \in \mathbb{R}^{B \times D \times H \times W}$，该设计保留了地质构造的局部断裂带与区域异常梯度信息；随后，对于在流传输过程中的任意粒子坐标 $p_t \in [0, 1]^2$，利用双线性插值算子 $B(p_t)$ 动态探测粒子当前所处空间位置的局部地学特征向量 $\phi = B(p_t)\Phi_\xi \in \mathbb{R}^D$。这种特征提取方式将点位与栅格网格解耦，不仅保证了反向传播在坐标空间中的连续可微性，而且使速度场预测能够在任意连续空间分辨率下感知地学背景。

3. 正弦时间嵌入与残差速度场头：高精度常微分方程传输积分 在获得点位对应的地质上下文特征后，GeoCFM 拼接局部特征 $\phi$、当前点位归一化坐标 $p_t$ 以及经由标准正弦编码的时间步向量 $t$，输入由轻量级 ResNet 块构成的共享多层感知机速度头 $h_\psi(\phi, p_t, t)$，最终输出二维速度向量 $\dot{p}_t = v_\theta(p_t, t \mid d) \in \mathbb{R}^2$。在推理阶段，给定新的测试区地球科学图像，模型首先自标准高斯分布中随机采样 $N$ 个初始点粒子，随后采用显式欧拉法对神经 ODE 进行数值求解，沿时间区间 $t \in [0, 1]$ 推进 $K$ 个微分离散步长： $$p^{(k+1)} = p^{(k)} + \Delta t \, v_\theta\left(p^{(k)}, t^{(k)} \mid d\right), \quad t^{(k)} = k \Delta t, \quad k = 0, \ldots, K-1$$ 数值求解得到的点云集合不仅高精度刻画了矿床的优势聚集带，还通过多次随机采样展示出不同潜在线索激活下的多模态分布，显式外化深部不可测地质条件带来的非唯一性与认识不确定性。

损失函数 / 训练策略¶

GeoCFM 采用无模拟（simulation-free）的条件流匹配均方误差损失进行端到端优化。联合网络参数 $\theta = \{\xi, \psi\}$（包含 UNet 编码器与速度头）直接拟合插值点处的漂移速度： $$\mathcal{L}(\theta) = \mathbb{E}_{d \sim \mathcal{D}} \, \mathbb{E}_{p \sim \pi_{\text{data}}(\cdot \mid d)} \, \mathbb{E}_{z \sim \mathcal{N}(0, I_2)} \, \mathbb{E}_{t \sim \text{Unif}[0, 1]} \left[ \left\| v_\theta(p_t, t \mid d) - (p - z) \right\|^2 \right]$$ 在训练阶段，模型使用 AdamW 优化器，基础学习率设为 $3 \times 10^{-4}$，权重衰减为 $10^{-4}$，配合余弦退火学习率调度器与范数上限为 1.0 的梯度裁剪。推理时默认采用 $K=50$ 步欧拉积分，而在计算受限场景下，消融表明仅需 $K=5$ 步即可达到极其优异的几何保真度。

实验关键数据¶

主实验¶

论文在两套具有挑战性的基准上进行了系统评测：（1）控制变量的斑岩型矿床合成磁测-化探基准（Synthetic Benchmark），其中包含由隐变量调控的矿化环状侵入体激活；（2）美国地质调查局（USGS）全美大陆级 Earth MRI 真实遥感地球物理与地球化学栅格数据集，配合 MRDS/MAS-MILS 矿产记录，采用空间互不重叠的大型地块切分（Spatially Disjoint Tile Split）以杜绝空间自相关泄露。评估采用 5 个互补指标：Chamfer 距离（CD，像素，越小越好）、Sinkhorn 最优传输散度（Sink.，越小越好）、5 像素容差匹配 F 值（F@5，越大越好）、高斯核密度负对数似然（NLL，越小越好）以及前 5% 高潜力区命中率（Top5，越大越好）。所有结果均基于每个测试样本 20 次独立随机采样求得均值与标准误差。

表 1：合成磁测-地球化学基准与 USGS Earth MRI 真实数据测试集主实验对比

评测数据集	模型方法	CD (px) ↓	Sinkhorn ↓	F@5 ↑	KDE-NLL ↓	Top-5% Hit ↑
Synthetic	Uniform 均匀采样	49.61 ± 2.28	0.147 ± 0.007	0.206 ± 0.015	10.804 ± 0.006	0.048 ± 0.006
	Global KDE 空间密度	41.16 ± 2.04	0.121 ± 0.006	0.255 ± 0.014	10.583 ± 0.030	0.058 ± 0.008
	OCSVM 单类支持向量机	45.56 ± 2.20	0.134 ± 0.007	0.246 ± 0.015	10.557 ± 0.020	0.236 ± 0.018
	Retrieval-KDE 实例检索	47.16 ± 2.86	0.132 ± 0.007	0.220 ± 0.016	13.302 ± 0.440	0.058 ± 0.011
	Poisson-LR 泊松逻辑回归	39.93 ± 2.16	0.122 ± 0.006	0.384 ± 0.016	9.803 ± 0.042	0.500 ± 0.028
	RF 随机森林	37.09 ± 2.17	0.116 ± 0.006	0.462 ± 0.018	9.552 ± 0.054	0.586 ± 0.025
	GBDT 梯度提升树	32.13 ± 2.03	0.103 ± 0.006	0.546 ± 0.018	9.288 ± 0.083	0.630 ± 0.027
	UNet-Seg 语义分割基线	29.46 ± 2.18	0.100 ± 0.006	0.615 ± 0.022	9.143 ± 0.089	0.661 ± 0.031
	GeoCFM (本文)	9.37 ± 0.62	0.045 ± 0.003	0.634 ± 0.012	8.950 ± 0.110	0.720 ± 0.020
Earth MRI	Uniform 均匀采样	64.25 ± 2.34	0.260 ± 0.008	0.052 ± 0.003	11.598 ± 0.288	0.047 ± 0.007
	Global KDE 空间密度	66.35 ± 2.38	0.277 ± 0.008	0.050 ± 0.003	12.053 ± 0.303	0.043 ± 0.007
	OCSVM 单类支持向量机	58.38 ± 2.33	0.240 ± 0.008	0.053 ± 0.003	11.946 ± 0.313	0.059 ± 0.008
	Retrieval-KDE 实例检索	61.14 ± 2.34	0.250 ± 0.008	0.053 ± 0.003	11.698 ± 0.298	0.061 ± 0.009
	Poisson-LR 泊松逻辑回归	64.21 ± 2.26	0.255 ± 0.008	0.055 ± 0.004	11.274 ± 0.239	0.059 ± 0.008
	RF 随机森林	54.37 ± 2.23	0.225 ± 0.008	0.071 ± 0.004	11.504 ± 0.297	0.095 ± 0.011
	GBDT 梯度提升树	52.98 ± 2.14	0.215 ± 0.007	0.069 ± 0.004	11.233 ± 0.269	0.102 ± 0.010
	UNet-Seg 语义分割基线	46.81 ± 2.30	0.205 ± 0.008	0.085 ± 0.006	11.620 ± 0.290	0.130 ± 0.013
	GeoCFM (本文)	12.30 ± 0.54	0.085 ± 0.004	0.151 ± 0.008	10.500 ± 0.150	0.250 ± 0.012

消融实验¶

为了验证采样质量与计算开销的权衡、以及模型在正样本稀缺环境下的抗扰动能力，论文对欧拉积分步数 $K$ 以及训练正样本可用比例进行了深度消融。

表 2：欧拉步数与训练可用正样本稀缺性对 Chamfer 距离 (CD, 像素) 的影响分析

实验设置维度	测试变量配置	Synthetic CD (px) ↓	Earth MRI CD (px) ↓	核心结论与特性说明
积分步数 $K$	$K = 50$ (默认基准)	9.37 ± 0.62	12.30 ± 0.54	完整的连续流动轨迹积分，点位收敛最为紧凑
	$K = 20$	9.34 ± 0.60	12.18 ± 0.52	与默认设置在统计误差范围内完全一致
	$K = 10$	9.32 ± 0.61	12.10 ± 0.53	计算开销降低 80%，性能无显著衰减
	$K = 5$	9.30 ± 0.61	12.00 ± 0.55	极轻量推断，单图仅需极少量采样耗时且指标完全稳健
正样本比例	100% 正样本	9.37 ± 0.62	12.30 ± 0.54	完整标注基准
	75% 正样本 (随机丢弃 25%)	9.48 ± 0.65	12.15 ± 0.58	丢失四分之一正样本，几何匹配误差波动 < 0.2 px
	50% 正样本 (随机丢弃 50%)	9.75 ± 0.68	12.65 ± 0.62	仅用半数已知矿床，仍大幅超越所有基准方法

关键发现¶

全面碾压基于伪负样本的判别基线：在真实 Earth MRI 具有空间不相交瓦片划分的测试中，强判别式基线 UNet-Seg 的 Chamfer 距离为 46.81 px，而 GeoCFM 达到了惊人的 12.30 px（误差下降近 74%），Top-5% 命中率从 13.0% 翻倍提升至 25.0%，表明生成式点过程对未标注真实分布的建模能力远优于受挫于伪负样本边界畸变的分类模型。
卓越的推理效率与 ODE 步数鲁棒性：UNet 稠密特征图在整张输入图像上只需前向推理计算一次，随后的欧拉积分每一步仅涉及极轻量的特征双线性插值与小 MLP 速度回归。当欧拉步数缩减至 $K=5$ 时，Chamfer 距离依然稳定保持在 12.00 px，使得大范围区域矿产勘查的批量蒙特卡洛多假设生成极具实用价值。
对不完全标注具有极高韧性：在人为随机丢弃 50% 正样本的极端设定下，GeoCFM 在 Earth MRI 上的 CD 仅从 12.30 px 轻微退化至 12.65 px，证明模型真正学到了由地球物理特征驱动的空间成矿动力学传输场，而非过拟合特定矿床坐标的记忆化。

亮点与洞察¶

范式级转换（Paradigm Shift）：将矿产勘查从长期以来的“伪负样本二分类分割”重塑为“纯正样本引导下的条件生成点流采样”，既完美吻合“无矿并不代表无法成矿”的地学真实现状，又从数理上避免了分类边界畸变。
跨模态表征桥接精妙：利用 UNet 提取网格化空间遥感图像的结构表征，并借助连续双线性插值将局部特征实时绑定至 ODE 运动粒子上，既维护了连续坐标空间的高精度，又实现了稠密图像上下文的灵活注入。
显式外化认识不确定性：地表相似异常可能对应地下完全不同的矿化产状。GeoCFM 通过多次随机先验采样，展现出成矿富集带的多种可能激活形态，为工业钻探靶区决策提供了具备置信度区间的概率分布图，而非单一虚幻的确定性打分。

局限与展望¶

作者承认的局限：模型输出的点集规模 $N$ 当前作为超参数由用户指定的蒙特卡洛采样预算控制，模型本身尚未实现对区域内真实可能存在矿床绝对数量（Deposit Count）的自适应动态估计。
地学物理先验注入仍有拓展空间：当前流动速度场完全由数据驱动训练，尚未显式引入断裂构造走向、热液运移流体力学方程或地球物理正演模拟器作为物理一致性硬约束。
未来方向：可进一步将矿床点过程与矿体三维地质正演模拟器结合，构建区域级地质演化推演模型；同时探索在超稀疏钻孔约束下的多尺度地学大模型条件生成。

评分¶

新颖性: ⭐⭐⭐⭐⭐ [将纯正样本条件流匹配开创性引入空间矿产成矿勘查与点过程采样]
实验充分度: ⭐⭐⭐⭐⭐ [涵盖合成物理隐变量基准与全美 USGS Earth MRI 大规模空间不相交瓦片评测]
写作质量: ⭐⭐⭐⭐⭐ [问题形式化严谨，从地质隐变量非唯一性到连续点流数学表述一气呵成]
价值: ⭐⭐⭐⭐⭐ [对地学遥感、资源勘查及存在严重选择偏差的正样本学习领域具有重要启发意义]

实验设置维度	测试变量配置	Synthetic CD (px) ↓	Earth MRI CD (px) ↓	核心结论与特性说明
积分步数 \(K\)	\(K = 50\) (默认基准)	9.37 ± 0.62	12.30 ± 0.54	完整的连续流动轨迹积分，点位收敛最为紧凑
	\(K = 20\)	9.34 ± 0.60	12.18 ± 0.52	与默认设置在统计误差范围内完全一致
	\(K = 10\)	9.32 ± 0.61	12.10 ± 0.53	计算开销降低 80%，性能无显著衰减
	\(K = 5\)	9.30 ± 0.61	12.00 ± 0.55	极轻量推断，单图仅需极少量采样耗时且指标完全稳健
正样本比例	100% 正样本	9.37 ± 0.62	12.30 ± 0.54	完整标注基准
	75% 正样本 (随机丢弃 25%)	9.48 ± 0.65	12.15 ± 0.58	丢失四分之一正样本，几何匹配误差波动 < 0.2 px
	50% 正样本 (随机丢弃 50%)	9.75 ± 0.68	12.65 ± 0.62	仅用半数已知矿床，仍大幅超越所有基准方法