Flow-based Gaussian Splatting for Continuous-Scale Remote Sensing Image Super-Resolution

📄 arXiv: 2605.22147v1 📥 PDF

作者: Jiangwei Mo, Xi Lu, Hanlin Wu

分类: cs.CV

发布日期: 2026-05-21

💡 一句话要点

提出FlowGS，用于遥感图像连续尺度超分辨率重建，提升推理效率。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 遥感图像超分辨率 生成模型 流匹配 高斯溅射 连续尺度 图像重建 地球观测

📋 核心要点

  1. 现有生成式超分辨率方法，特别是扩散模型，推理速度慢，且在连续尺度超分辨率任务中缺乏灵活性。
  2. FlowGS通过流匹配学习噪声到细节先验的连续概率流，并使用2D高斯溅射构建连续特征场，实现任意尺度超分辨率。
  3. 实验表明，FlowGS在保持竞争力的感知质量的同时，显著提高了推理效率，适用于连续尺度和固定尺度超分辨率。

📝 摘要（中文）

高分辨率遥感图像（RSI）对于地球观测应用至关重要，但获取它们通常受到传感器约束和成本的限制。近年来，生成式超分辨率（SR）方法，特别是扩散模型，取得了显著进展。然而，它们通常需要缓慢的迭代推理（40-1000步），并且在连续尺度SR设置中表现出有限的灵活性。为了解决这些问题，我们提出FlowGS，一个用于RSI任意尺度SR的生成式重建框架。FlowGS对高分辨率和低分辨率图像之间的高频细节表示进行建模，并通过由捷径一致性约束的流匹配（FM）学习从噪声到细节先验的连续概率流，从而降低生成复杂性并提高推理效率。此外，我们采用2D高斯溅射来构建连续特征场，从而能够在任意查询位置进行灵活的重建。实验结果表明，与现有方法相比，FlowGS在连续尺度和固定尺度SR设置中都提供了具有竞争力的感知质量，并且推理效率得到了显著提高。

🔬 方法详解

问题定义：遥感图像超分辨率重建旨在从低分辨率图像恢复高分辨率图像。现有的生成式方法，特别是基于扩散模型的方法，存在推理速度慢、计算成本高的问题，并且在处理连续尺度超分辨率任务时缺乏灵活性，难以适应实际应用中对不同分辨率的需求。

核心思路：FlowGS的核心思路是利用流匹配（Flow Matching）技术学习从噪声到高频细节先验的连续概率流，从而避免了扩散模型中耗时的迭代采样过程，显著提升推理效率。同时，采用2D高斯溅射（Gaussian Splatting）构建连续特征场，使得模型能够灵活地在任意尺度上进行重建。

技术框架：FlowGS框架主要包含以下几个模块：1) 特征提取模块：用于提取低分辨率图像的特征；2) 流匹配模块：通过流匹配学习从噪声到高频细节先验的连续概率流；3) 高斯溅射模块：利用2D高斯溅射构建连续特征场，将特征映射到空间中的高斯分布；4) 重建模块：根据查询位置从连续特征场中提取特征，并重建高分辨率图像。整体流程是从低分辨率图像提取特征，通过流匹配生成高频细节，然后利用高斯溅射构建连续特征场，最后根据目标分辨率从特征场中重建图像。

关键创新：FlowGS的关键创新在于将流匹配和高斯溅射结合起来，用于遥感图像的连续尺度超分辨率重建。流匹配能够高效地学习生成模型，避免了扩散模型的迭代采样过程；高斯溅射能够构建连续特征场，实现任意尺度的重建。这种结合使得FlowGS在推理效率和灵活性方面都优于现有方法。

关键设计：FlowGS的关键设计包括：1) 使用捷径一致性约束的流匹配损失函数，以保证生成图像的质量；2) 采用2D高斯分布来表示特征场中的每个点，并使用可学习的参数来控制高斯分布的形状和方向；3) 设计了一种高效的查询机制，用于从连续特征场中提取特征。具体的网络结构和参数设置需要在论文中查找。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FlowGS在连续尺度和固定尺度超分辨率任务中均取得了具有竞争力的性能。与现有方法相比，FlowGS在感知质量上表现相当，同时推理效率得到了显著提升。具体性能数据（如PSNR、SSIM等）和提升幅度需要在论文中查找。

🎯 应用场景

FlowGS在遥感图像处理领域具有广泛的应用前景，例如城市规划、环境监测、灾害评估和农业分析等。通过高效地生成任意尺度的高分辨率遥感图像，可以为这些应用提供更准确、更详细的数据支持，从而提高决策效率和精度。未来，该技术有望应用于实时遥感图像处理和分析，为智慧城市和可持续发展做出贡献。

📄 摘要（原文）

High-resolution remote sensing images (RSIs) are crucial for Earth observation applications, yet acquiring them is often limited by sensor constraints and costs. In recent years, generative super-resolution (SR) methods, particularly diffusion models, have made significant progress. However, they typically require slow iterative inference with 40--1000 steps and exhibit limited flexibility in continuous-scale SR settings. To address these issues, we propose FlowGS, a generative reconstruction framework for arbitrary-scale SR of RSIs. FlowGS models the high-frequency detail representations between high- and low-resolution images and learns a continuous probability flow from noise to detail priors via flow matching (FM) constrained by shortcut consistency, thereby reducing generative complexity and improving inference efficiency. Additionally, we employ 2D Gaussian splatting to construct a continuous feature field, thereby enabling flexible reconstruction at arbitrary query locations. Experimental results show that FlowGS delivers competitive perceptual quality compared with existing methods in both continuous-scale and fixed-scale SR settings, with substantially improved inference efficiency.