知识卡片：学习目标域先验再进行图像翻译：一种用于遥感跨模态图像翻译的解耦训练范式

一句话结论

本文提出 LTP-BIT，一种“先学目标域生成先验、后学源条件控制”的解耦训练范式，将遥感跨模态图像翻译中的目标先验学习与跨模态依赖学习分开；在 SAR-to-RGB 和 NIR-to-RGB 基准上仅用 9.81% 任务特定参数达到 SOTA，并在 QXS-SAROPT 上仅用 25% 配对样本保留接近全数据实例保真度。

事件概述或研究问题

跨模态图像翻译在遥感中需要保留源图像观测到的内容，同时匹配目标域的分布。现有方法通常从稀缺的配对数据中联合学习“目标域先验”和“跨模态依赖”，但忽略了一个关键不对称性：只有跨模态依赖本质上需要跨模态对应关系。本文通过条件分数（conditional-score）和去噪风险（denoising-risk）分析形式化了这一区别，并提出解耦训练范式 LTP-BIT。

方法/产品要点

LTP-BIT（Learning the Target Priors Before Image Translation）：一种“先验优先”的解耦训练范式，把两个学习任务分开。
第一步：从大规模未配对遥感图像中学习目标域的生成先验。
第二步：保留预训练骨干权重，仅通过 P-DART 学习源条件控制。
P-DART：一种参数高效的双流架构（parameter-efficient dual-stream architecture），用于在固定骨干之上融入源图像条件信息。
通过条件分数和去噪风险分析，从理论上说明目标先验学习与跨模态依赖学习可分离。

主要结果或产业意义

受控实验表明：先验匹配（prior matching）和先验缩放（scaling）主要提升目标域真实感，而实例保真度（instance fidelity）更依赖条件适配（conditional adaptation）。
在 SAR-to-RGB 和 NIR-to-RGB 基准上达到当前最优（state-of-the-art），仅使用 9.81% 的任务特定参数。
在 QXS-SAROPT 数据集上，仅用 25% 配对样本即可保留接近全数据训练下的实例保真度。
产业意义：配对遥感数据获取成本高，该范式通过降低配对数据依赖和参数量，为低资源、多模态遥感影像翻译提供了更实用的路径。

为什么重要

遥感跨模态翻译（如 SAR 到光学、NIR 到 RGB）在灾害监测、土地利用分类等场景有广泛应用，但高质量配对数据通常稀缺。该工作的核心增量在于：明确指出目标域先验和跨模态依赖在数据需求上的不对称性，并用解耦训练把“学目标域长相”和“学源图像控制”分开，从而显著减少配对数据需求。加上参数高效设计，使模型更容易在单卡或有限算力下微调部署。

局限与不确定性

摘要未说明 P-DART 的具体网络结构和参数量分配细节，待核实。
未说明需要多少未配对图像、训练时长、计算资源等工程细节，待核实。
未报告在其他遥感模态（如多光谱、高光谱）或大规模业务数据上的表现，待核实。
未给出与所有现有 SOTA 方法的详细对比表，因此“仅用 9.81% 参数达到 SOTA”的具体对比范围待核实。
“接近全数据实例保真度”的具体度量指标和数值未在摘要中给出，待核实。

可用于图书/PPT/简报的角度

用一个类比解释核心思想：“先熟悉目标域长什么样，再学习如何根据源图去画目标图。”
强调“9.81% 参数”和“25% 配对数据”两个数字，说明参数高效与数据高效可兼得。
用 SAR-to-RGB 或 NIR-to-RGB 的典型场景，说明跨模态翻译在遥感中的应用价值。
将“目标先验”与“条件依赖”解耦，可作为其他图像翻译任务的通用方法论案例。

与既有脉络的关系

本卡片与已有三张卡片主题不同：本条不涉及 AI 生成图像检测、零售机器人 VLA 或多模态大模型遥感理解。它属于生成式模型与遥感视觉的交汇方向，可视为对“低资源条件生成”这一脉络的补充：增量在于提出目标先验优先的解耦训练范式，并展示配对数据依赖可被大幅降低。

英文关键词

Cross-modal Image Translation; Remote Sensing; Target Prior; Decoupled Training; Parameter-Efficient; P-DART; LTP-BIT; SAR-to-RGB; NIR-to-RGB

原始材料

英文标题：Learning the Target Priors Before Image Translation: A Decoupled Training Paradigm for Cross-Modal Image Translation in Remote Sensing
arXiv ID：2608.28517v1
作者：Keyan Hu, Mingtao Wang, Ziyu Zhou, Tiandong Shi, Haifeng Li, Ji Qi, Chao Tao
提交/更新时间：2026-08-28T16:54:19Z
分类：cs.CV
URL：https://arxiv.org/abs/2608.28517v1
PDF：https://arxiv.org/pdf/2608.28517v1
摘要原文：

Cross-modal image translation in remote sensing must preserve source-observed content while matching the target-domain distribution. Existing methods jointly learn the target prior and cross-modal dependence from scarce paired data, overlooking a key asymmetry: only the latter intrinsically requires cross-modal correspondence. We formalize this distinction through conditional-score and denoising-risk analyses and propose Learning the Target Priors Before Image Translation (LTP-BIT), a prior-first paradigm that decouples the two learning tasks. LTP-BIT first learns a target-domain generative prior from large-scale unpaired imagery, then retains the pretrained backbone weights and learns source-conditioned control through P-DART, a parameter-efficient dual-stream architecture. Controlled experiments show that prior matching and scaling primarily improve target-domain realism, whereas instance fidelity relies more strongly on conditional adaptation. LTP-BIT achieves state-of-the-art performance across SAR-to-RGB and NIR-to-RGB benchmarks using only 9.81% task-specific parameters. On QXS-SAROPT, it retains near-full-data instance fidelity with only 25% of the paired samples.