DiffusionSat: A Generative Foundation Model for Satellite Imagery

扩散模型在许多领域中取得了最先进的成果，包括图像、语音和视频。然而，现有模型并不适用于支持遥感数据，而遥感数据在环境监测和农作物产量预测等重要应用中被广泛使用。卫星图像与自然图像有很大的区别，它们可以是多光谱的，在时间上不规则采样，并且现有在Web上训练的扩散模型并不支持它们。此外，遥感数据本质上是时空数据，需要条件生成任务，而传统的基于标题或图像的方法并不支持这种任务。在本文中，我们提出了DiffusionSat，这是迄今为止在一组公开可用的大型高分辨率遥感数据集上训练的最大生成基础模型。由于卫星图像的基于文本的标题很少，我们将相关元数据（如地理位置）作为条件信息进行了合并。我们的方法可以产生逼真的样本，并可用于解决多个生成任务，包括给定多光谱输入的时间生成、超分辨率和修复。我们的方法优于先前的卫星图像生成最先进方法，并且是第一个大规模的遥感图像生成基础模型。

本论文旨在解决现有扩散模型无法支持遥感数据的问题，提出了一种基于元数据的遥感图像生成模型，用于环境监测和农作物产量预测等应用。

该论文提出了一种名为DiffusionSat的遥感图像生成模型，使用元数据作为条件信息来生成逼真的遥感图像，并在时间生成、超分辨率和修复等多个生成任务上取得了最新的最佳结果。

DiffusionSat是迄今为止最大的基于公共遥感数据集训练的生成模型，能够生成逼真的遥感图像。该模型使用元数据作为条件信息，能够完成多种生成任务，并在时间生成、超分辨率和修复等任务上取得最新的最佳结果。

最近的相关研究包括使用GAN进行遥感图像生成、使用卷积神经网络进行超分辨率和修复等。