ReFlowSET：基于表示对齐的SAR转EO图像生成方法

SAR-to-EO图像翻译旨在从合成孔径雷达（SAR）观测中生成光电（EO）图像。现有的潜在扩散方法通常继承预定的自动编码器，尽管重建保真度在不同编解码器和模态之间可能存在显著差异。由于潜在编解码器会影响SAR条件和EO目标的往返保存，编解码器的选择构成了一个基本的设计选择；然而，现有方法在很大程度上依赖于在自然图像上预训练的编解码器。为了弥补这一不足，我们引入了ReFlowSET，这是一个条件潜在流匹配框架，它通过联合SAR--EO重建审计来选择其编解码器。ReFlowSET不是继承一个重量级的预训练生成器，而是在选定的潜在空间中从头开始训练一个显著更小的条件DiT，使用双通道SAR条件化，随后进行联合特征细化。为了给这种从头开始的训练提供语义指导，中间噪声EO特征与由冻结视觉基础模型提取的干净目标EO表示对齐。这种对齐仅在训练期间使用，不会引入额外的推理成本。在QXS-SAROPT和SAR2Opt上的实验表明，该方法在各种感知保真度和分布度量方面达到了最先进的性能。代码和预训练权重已在https://github.com/KAIST-VICLab/ReFlowSET上公开可用。