🛰️ 遥感¶

🎞️ ECCV2026 · 39 篇论文解读

📌 同领域跨会议浏览： 📷 CVPR2026 (63) · 🔬 ICLR2026 (11) · 🧪 ICML2026 (3) · 🤖 AAAI2026 (7) · 🧠 NeurIPS2025 (12) · 📹 ICCV2025 (11)

🔥 高频主题： 遥感 ×14 · 重识别 ×4 · 语义分割 ×3 · 多模态 ×2 · 对齐/RLHF ×2

OpenEarthAgent: A Unified Framework for Tool-Augmented Geospatial Agents: OpenEarthAgent 把视觉感知、GIS、光谱指数和地理配准栅格操作接到统一执行器上，再用经过回放校验的轨迹微调 Qwen3-4B，使自建测试集上的严格工具顺序匹配率从 14.71% 提升到 67.24%，但非生成任务答案准确率仍只有 45.26%。
MMEarth-Bench: Global Model Adaptation via Multimodal Test-Time Training: MMEarth-Bench 用五个全球环境任务和十二种对齐模态检验遥感模型的地理泛化，并通过测试时重建这些模态来调整编码器；相对联合训练基线，TTT-MMR 在各任务与两种测试划分的汇总评估中获得改善，地理分批尤其有助于长尾样本。
Moonstone: A Multimodal Foundation Model and Benchmark for Lunar Remote Sensing: Moonstone 把五台月球轨道器、七类仪器的 28 个通道对齐成一张 128 ppd（约 237 m/像素）的全球底图，用「按物理模态分组的分词器 + 共享 ViT + 覆盖率自适应掩码 + 缺失模态注意力掩码」的自监督掩码自编码器 MG-MAE 预训练，并在首个月球多模态下游基准（6 个分类/回归/分割任务）上全面超过从头训练、ImageNet、地球观测基础模型与原生 MAE 基线，地质分类 +16.2%、撞击坑分割 +14.7 mIoU。
TerraDiT-Ω: Unified Spatial Control for Satellite Image Synthesis with Any Geospatial Primitive: TerraDiT-Ω 让扩散 Transformer 直接拿原生地理图元（多边形、折线、边界框、点）当空间控制信号：统一图元编码器把四类图元压成同一套实例 token，Geometry-Aware Local Attention 再把"旋转各向异性高斯 + 空间几何场"的几何先验显式乘进注意力 logits，三种条件格式下都优于稠密栅格与稀疏点基线，并用同一个模型为 4 个遥感下游任务生成增广数据。
Beyond 2D Matching: A Unified Single-Stage Framework for Geometry-Aware Cross-View Object Geo-Localization: GAGeo 用 CMA-Loc 的建筑跨视角配对与相机标注适配三维基础模型 π3，把查询提示、目标定位和相机预测放进一次前向传播，并以卫星视角为对比学习桥梁，在未训练的地面到无人机组合上达到 43.86 mAcc、57.88 mIoU。
CROSS: Cascaded Distillation and Dual-Constraint Grounding for Remote Sensing Referring Segmentation: CROSS 把 SAM 2 编码器里"文本过滤后的 patch 对几何亲和"作为软正则蒸进 SigLIP 2 的浅/深/末三层以补上 VLM 缺的空间结构，再用"感知式困难负样本 + 空间反事实文本"的双约束对比学习打破物体中心捷径，在 RefSegRS 上把 cIoU 推到 83.25、[email protected] 提到 41.32。
G-ZAP: A Generalizable Zero-Shot Framework for Arbitrary-Scale Pansharpening: G-ZAP 用带尺度条件的隐式神经表示（INR）做全色锐化的融合骨干，配一套「全分辨率无监督光谱一致性 + 两级降分辨率构造监督」的三级协同训练，仅用测试图像对本身现场训练就能在任意放大倍率下输出 HRMS，并且训好的权重可直接复用到未见的图像对、场景与传感器上。
GeoSolver: Scaling Test-Time Reasoning in Remote Sensing with Fine-Grained Process Supervision: GeoSolver 用高熵树搜索和视觉幻觉注入训练词元级 GeoPRM，再将其接入过程感知 Tree-GRPO 与测试时搜索，使遥感模型不仅优化最终答案，也受到中间视觉证据的约束；原文表 3 中，生成预算为 32 时视觉定位得分由 58.19 提升至 68.04。
PKINet-v2: Towards Powerful and Efficient Poly-Kernel Remote Sensing Object Detection: PKINet-v2 用异构卷积核兼顾遥感目标的形状与尺度，再将训练时的多分支聚合等价合并以加速部署，在单尺度 DOTA-v1.0 上以 80.46% mAP 和 54.60 FPS 超过 PKINet-v1-S 的 78.39% 与 14.05 FPS。
Recurrent Cross-View Object Geo-Localization: ReCOT 用携带查询目标语义的可学习 token 反复读取卫星图特征，并以 SAM 蒸馏和参考特征增强改善循环输入，在 CVOGL 测试集上达到地面到卫星 48.10%、无人机到卫星 72.05% 的 [email protected]，模型参数为 29.9M。
Warp-free Cross-view Geo-localization via Feature-space Consensus Mining: 本文提出一套「联合视角共识引导」的跨视角地理定位框架：训练时额外挂一条联合视角通路做语义锚点、用一套全局共享的模式探针把街景/卫星/联合三路特征投进同一度量空间、再用共识中介对比损失把单视角嵌入拉向锚点，从而在完全不依赖极坐标/BEV 等几何 warp 的前提下取得 CVUSA/CVACT/VIGOR/University-1652 四个基准的 SOTA，推理时丢弃联合分支、零额外开销。
Align and Segment: Unsupervised Learning for Building Segmentation From Misaligned Labels: Align and Segment（AnS）通过联合学习建筑分割与标签几何校正，并用自监督一致性和成对几何增强阻止模型记住错误偏移，在不使用准确对齐标签训练的条件下，将 Las Vegas 系统错位测试集的分割 IoU 从朴素联合模型的 0.39 提高到 0.78。
EoS-FM: Can an Ensemble of Specialist Models act as a Generalist Feature Extractor?: EoS-FM 提出了一种反思巨型单体遥感基础模型的模块化替代范式，通过独立监督预训练 22 个轻量 ConvNeXtV2-Atto 领域专家编码器，结合光谱自适应映射、特征归一化、可微 Top-k 尾部稀疏正则剪枝与线性特征融合，在 11 项 Pangaea 评测基准中以 76M（精简版仅 22M）参数量取得 4.58 的最低全任务距最优平均差距（Avg. DTB），超越 303M 的巨型模型且完美支持分布式联邦协同与弹性剪枝。
Estimating Individual Tree Height and Species from UAV Imagery: 本文提出了首个基于单目无人机单木居中 RGB 图像的双任务基准 BIRCH-Trees，并设计了统一多任务网络 DINOvTree，以参数量减半的代价在树高回归与树种细粒度分类上同时达到最前沿性能。
GroundSet: A Cadastral-Grounded Dataset for Spatial Understanding with Vector Data: GroundSet 引入法国国家测绘局经过法定核验的 20cm 航空正射影像与地籍矢量图层，构建了包含 510k 图像、3.8M 对象及 135 个细粒度类别的空间理解基准，使标准 LLaVA-1.6 架构无需修改即可在多类别检测与目标分割任务上大幅超越既有遥感专用模型与 Gemini-2.5 等商业闭源模型。
On-Orbit Real-Time Wildfire Detection Under On-Board Constraints: 针对低轨热红外微卫星极度受限的星载算力与单波段非标定中波红外数据，提出轻量级全卷积掩码自编码器 DenseMAE 与高分辨率细化分割架构，在小于 1 MB 模型体积与 65 ms 推理延迟下实现 0.699 的像素级全分布 AP 和 0.744 的火灾事件级 F1 分数。
OpenCVL: An Open, Diverse, and Large-Scale Dataset for Fine-Grained Cross-View Localization: OpenCVL 首次构建了完全基于宽松开源协议、覆盖欧洲 4 国 41 城超 61 万对图像的大规模细粒度跨视角定位（CVL）基准，创新性地利用激光点云配准实现野外众包街景的精确位姿校正，并证实引入带噪声的开放野外数据可大幅增强定位模型泛化力。
Uncertainty-aware tree height change regression: 论文构建了首个大范围高分辨率树冠高度连续变化及像元级不确定性基准数据集 CHC，并系统评估了主流地理空间基础模型在不确定性感知回归任务下的表现，揭示了监督基线及特定任务模型在亚像元连续变化回归上相比冻结 GFM 的显著优势。
Urban Boundaries, Social Barriers: A Benchmark and Vision-Centric Framework for Mapping Gated Communities and Equity Implications: 针对城市封闭小区识别在大尺度下缺乏基准与有效表征的瓶颈，本文构建了包含粤港澳大湾区 37,444 个居住地块的多模态基准 GBA-GCs，并提出了结合内外双流视觉对比与模态自适应门控融合的 MCGC 框架，揭示了封闭化对绿地感知偏差与步行绕行阻碍的社会公平影响。
Beyond Attention: Convolutional Global Context for Remote Sensing Change Detection: ChangeGCC 用场景级描述子调节卷积核，再依次进行帧内跨尺度聚合和帧间对称门控，在不构造全局成对注意力矩阵的情况下完成遥感变化检测，Base 版本在 LEVIR-CD 上取得 85.28% IoU，参数量为 13.60M。
Capturing Spectral and Spatial Patterns for Federated Remote Sensing Segmentation: FedDap 不再要求所有遥感客户端共用完全相同的类别中心，而是用光谱与空间线索对共享原型做受约束的本地调制，在 Potsdam(IRRG) 与 Vaihingen(RGB) 的复合偏移设置下报告 70.42% mIoU，比 FedSeg 高 1.60 个百分点。
Compact Low-Cost Hyperspectral Imaging via Angular-to-Spectral Diversity Conversion: 提出基于角度-光谱多样性转换的紧凑低成本快照高光谱成像系统，利用锥形万花筒产生多视角入射光线并由离轴双折射滤光片调制为互补光谱透射谱，结合条件数优选器件参数，实现非学习、逐像素快速稳定重建 25 个光谱波段。
Context-Aware Joint Alignment for Cross-Scene Hyperspectral Image Classification: CAJA 把中心像素周围的类别组成与混合程度变成训练时共享的上下文条件，同时校准监督、对齐真实与伪源视图的特征及预测，在无目标域数据的跨场景高光谱分类中，将 Houston 上 FSSG 的 OA 从 79.98% 提高到 85.05%，且不增加上下文相关的推理步骤。
CRD-Net: Frequency-Adaptive Feature Injection and Change Decoupling for Building Damage Assessment: CRD-Net 先向 DINOv3 注入分频处理的 CNN 细节，再从双时相特征中分离变化与不变信息，并用原型引导的难样本对比学习识别损伤，在 xBD 和 EBD 上分别达到 81.26% 与 81.88% 的综合 F1，但并非所有子任务都最优。
DOGE: Differentiable Bézier Graph Optimization for Road Network Extraction: DOGE 将遥感道路提取变成“用像素掩码指导曲线图优化”的问题，通过 DiffAlign 调整连续几何、TopoAdapt 修改离散连接，在不需要曲线级真值的条件下取得 SpaceNet 84.58、City-Scale 80.59 的 TOPO F1，并输出更紧凑的 Bézier 路网。
Hierarchical Hyperbolic Representation Learning for Aerial-Ground Person Re-Identification: 针对空地异构摄像头下视角剧变导致的表征塌陷难题，HiHR 首次引入分层双曲表征学习（HHL）与文本引导多粒度融合（TMF），在洛伦兹流形中解耦粗粒度跨视角身份一致性与细粒度视角特异性判别线索，在 CARGO 与 LAGPeR 等四大基准上取得最优或领先的检索表现。
Leaving the City: A Large-Scale Aerial Dataset for Cross-Season Localization in Unstructured Environments: 针对现有航空视觉定位基准过度依赖人造结构、掩盖自然地形性能崩溃的痛点，本文构建了首个包含 1379 km 跨季节重复飞行、像素级土地覆被标注及高精度 6-DoF 真值的航空基准数据集 Leaving the City，系统揭示了非结构化自然景观中特征匹配与跨域定位的断崖式性能衰减。
LGD-Net: Leader-Guided Cross-Modal Dynamics for Hyperspectral and Panchromatic Image Fusion: LGD-Net 提出了一种将全局跨模态交互与局部多尺度重建显式解耦的高光谱全色融合框架，通过紧凑 Leader 表征驱动的连续动力系统与差异感知图传播，在不增加网络深度的情况下实现高保真光谱与空间结构重建。
MCVL: Multi-Space Cross-View Learning for Aerial-Ground Person Re-Identification: 针对空地行人重识别中航拍与地面视角之间剧烈的几何形变与特征空间鸿沟，MCVL 提出结合可变形单应性变换（DHT）与跨视角学习（CVL）的中间几何投影，并在全局特征空间引入视角去相关对比损失（VDCL），实现了无额外推理开销的端到端视角无关且判别性表征学习。
MorphJEPA: Morphology-Aware Latent Prediction for Hyperspectral Images: 针对高光谱图像自监督中掩码重建易过拟合传感器噪声与对比学习易破坏光谱语义的难题，MorphJEPA 首次将联合嵌入预测架构引入高光谱领域，通过预测按波段形态学开闭运算生成的像元对齐结构化目标形成定向结构瓶颈，并结合解耦空谱交叉注意力编码器与单侧锚定分布正则化（SIGReg），在极少样本（1/5/10-shot）与跨场景迁移下显著超越现有 SOTA。
NeSy-Route: A Neural-Symbolic Benchmark for Constrained Route Planning in Remote Sensing: 针对多模态大语言模型在遥感规划任务中难以有效结合地物约束的问题，本文构建了首个神经符号约束路径规划基准 NeSy-Route，结合高保真语义掩码与启发式搜索自动生成了 10,821 个具备可证明全局最优解的规划样本，并提出三层分级评测协议全面揭示现有 MLLM 的感知与规划缺陷。
OneHSI: A Unified Hyperspectral Foundation Model with Physical Consistency: 针对高光谱成像中因波段离散化差异、空间分辨率跨数量级变化以及跨领域数据失衡导致的硬件绑定与泛化失效痛点，OneHSI 通过连续波长空间重参数化、尺度等变自适应专家变换和跨领域表示均衡化，构建了首个具备物理一致性的统一高光谱通用基础模型。
QVAM: Query-guided View-aware Adaptive Modulation for Aerial-Ground Person Re-Identification: 针对无人机与地面监控间剧烈且连续的视角差异，QVAM 抛弃粗粒度二值视角解耦与刚性正交约束，利用可学习视角查询蒸馏局部细粒度视角线索，自适应调制 [CLS] 特征以过滤视角偏置，并结合双视角动量原型对齐损失实现判别性跨视角行人检索。
Rectified Embedding Flow Learning for Aerial Multi-view Geo-localization: 针对航拍多视角地理定位中由于视觉场景高度同质聚合导致文本指令难以消除跨视角分布漂移的难题，提出整流嵌入流学习框架（REFL），通过连续常微分方程（ODE）轨迹显式建模并单向输运查询嵌入至目标视角分布，在 Aerial MVGL 基准上取得 44.83% 的平均 R@1 和 65.85% 的平均 R@10。
SARA: Structure-Aware Riemannian-Guided Alignment for Drone Image-Text Retrieval: 提出结构感知黎曼引导对齐框架 SARA，通过对称正定（SPD）矩阵在黎曼流形上捕获无人机航拍影像的二阶空间拓扑与特征关联，并在切空间下借助对数欧几里得度量施加边际与条件分布对齐，攻克了常规欧氏嵌入在低空俯仰变换下的几何失真与跨模态误配难题。
Sector-Level Cross-View Geo-Localization with Implicit Orientation via Azimuthal Scanning: 针对有限视场角地面视角与全向航拍视角间的几何与视场不匹配问题，本文提出扇区级跨视角地理定位（SLCVGL）新任务与 SectorGeo 框架，通过方位角扫描将航拍特征解耦为重叠扇区，以离散扇区检索实现精细子区域定位并隐式估计相机朝向，无需显式位姿标签回归。
Tessellating The Earth: TTE 用可学习的球面Voronoi划分替代固定基函数（球谐函数/傅里叶特征）来编码地理坐标，让站点在训练中自动向高判别性区域迁移以集中表示容量，同时引入全局语义Token作为跨区域语义共享通道，在多项地理空间分类与回归任务上达到新SOTA。
Video Can Teach PAN-Sharpening: PSF-Aware Cross-Domain Supervision: 提出解耦监督框架 ViPS，利用高帧率自然视频构建伪配对提供高频空间结构与推扫式微位移监督，并结合传感器特定的点扩散函数（PSF）库实现光学退化对齐，在无需高分辨率多光谱真值的前提下显著超越现有 SOTA 全色锐化方法。
VIGA: View-Conditioned and Identity-Guided Adaptation for Aerial-Ground Person Re-Identification: 针对无人机与地面监控跨平台行人重识别中的极度视角几何形变与显著背景噪声，VIGA 在特征激活层通过身份引导软掩码抑制背景并保持空间拓扑，在网络参数层通过视角条件化超网络动态生成低秩权重残差调制解码器变换，在 LAGPeR 与 AG-ReID.v2 数据集上取得 SOTA 检索表现。