近日，国际摄影测量与遥感领域顶级期刊ISPRS Journal of Photogrammetry and Remote Sensing（中科院一区TOP期刊，影响因子10.6）在线发表了我院孙万捷、陈震中团队在极低码率遥感图像压缩方面的最新研究成果。论文题为“Map-Assisted Remote-Sensing Image Compression at Extremely Low Bitrates”，第一作者为我院2024级硕士研究生叶亦轩，通讯作者为孙万捷副研究员。
随着遥感技术的飞速发展，高分辨率遥感图像数据的获取量呈指数级增长，对存储和传输提出了严峻挑战。在许多实际应用场景中，如云存储、长期数据分析、以及带宽受限的应急通信网络，迫切需要一种能够在极低码率（≤0.1 bpp）条件下高效压缩遥感影像的技术。然而，在极端压缩率下，现有方法往往难以保持遥感影像的关键特征，导致重建图像模糊或地物结构扭曲，影响下游遥感分析任务的准确性。
图1. MAGC模型架构示意图
该研究工作针对低于0.1 bpp的极低码率压缩需求，提出了一种全新的矢量地图辅助生成式遥感图像压缩模型（MAGC, Map-Assisted Generative Compression）。该方法突破了现有深度学习压缩模型在极低码率下重建影像模糊、地物扭曲等瓶颈，通过结合矢量地图提供的语义信息和预训练扩散模型的生成能力，实现了在极低码率条件下的高质量遥感影像重建。具体而言，MAGC 模型采用两阶段压缩框架：第一阶段利用变分自编码器对遥感影像进行潜空间变换，并通过潜空间压缩模块进一步降低码率，同时保留关键信息作为扩散过程的隐式指导；第二阶段引入语义适配器模块，从矢量地图中提取多尺度语义特征，为扩散模型提供显式指导，从而在超低码率条件下生成具有较高视觉质量和语义一致性的影像。实验结果表明，与现有最优方法相比，MAGC在相同码率下实现了更优的感知质量和语义准确度，在语义分割等下游任务中也表现出领先的精度。此外，研究团队还提出了高效推理版本MAGC*，仅需要单步逆扩散解码即可生成高质量解压缩遥感图像，大幅降低了计算资源需求，使其更适用于实际应用场景。该研究展示了生成式扩散模型在遥感图像极低码率压缩领域的潜力，为解决低码率下的地物重建模糊和扭曲等问题提供了新思路。
图2. 不同方法在极低码率下的压缩结果可视化
该工作为孙万捷副研究员继24年12月在ISPRS Journal of Photogrammetry and Remote Sensing上指导我院本科生发表高倍率遥感影像重建论文后在该期刊上发表的又一重要成果。该研究成果得到了国家自然科学基金青年项目和重点项目（62201403和62036005），以及湖北省自然科学基金面上项目（2024AFB549）的支持。
论文链接：https://www.sciencedirect.com/science/article/pii/S0924271625001030
论文开源代码：https://github.com/WHUyyx/MAGC
