Resumo Técnico: TerraDiT-Ω

Declaração do Problema

Embora os modelos generativos tenham avançado significativamente na síntese de imagens naturais, a aplicação aos conjuntos de imagens de satélite permanece desafiadora devido à complexidade estrutural única das cenas de sensoriamento remoto (RS). Diferente das imagens naturais, as cenas de satélite são definidas por arranjos densos e interconectados de geometrias pequenas e semanticamente distintas. As abordagens existentes tentam preencher essa lacuna adaptando frameworks de imagens naturais usando ou densos rasters (ex: máscaras de segmentação) ou prompts esparsos (ex: anotações de pontos). No entanto, esses métodos sofem de duas limitações fundamentais:

1. Degradação Geométrica: A conversão de primitivas geoespaciais nativas (vetores) em rasters baseados em pixels achata relações espaciais complexas, como passagens superiores sobrepostas ou zonas de uso do solo que se interceptam, levando a uma perda de fidelidade estrutural.
2. Desalinhamento de Fluxo de Trabalho: Mapas semânticos densos exigem esforços de anotação proibitivos (média de 2,5 horas por tile), enquanto sinais esparsos como prompts de ponto subespecificam layouts geométricos cruciais. Isso força os profissionais a implantar arquiteturas separadas para diferentes orçamentos de anotação, dificultando fluxos de trabalho de GeoAI escaláveis e de ponta a ponta.

Modelos atuais também lutam para lidar com os variados graus de detalhe estrutural através de diferentes formatos de entrada, frequentemente dependendo de tokens aprendíveis genéricos que falham em capturar os priors geométicos específicos de objetos rotacionados ou alongados comuns em RS.

Metodologia

Os autores propõem o TerraDiT-Ω, um framework de controle espacial unificado que gera imagens de satélite diretamente de primitivas geoespaciais nativas (polígonos, polilinhas, caixas delimitadoras e pontos) sem exigir conversão de formato. O sistema é construído sobre um backbone de Transformer de Difusão Latente baseado em Fluxo (Flow-based Latent Diffusion Transformer - DiT).

Componentes Principais

1. Codificador de Primitivas Unificado:

   • Este módulo mapeia diversos formatos geoespaciais em uma representação compartilhada.
   • Ele processa polígonos, polilinhas, caixas delimitadoras e pontos usando mapeamentos de características de Fourier, concatenados com legendas de instância codificadas por um modelo LongCLIP congelado.
   • Primitivas ausentes são representadas por embeddings nulos aprendidos, permitindo que o modelo lide com orçamentos de anotação mistos ou parciais.

2. Atenção Local Ciente de Geometria (GALA):

   • Para abordar as limitações do aprendizado espacial implícito, os autores introduzem a GALA, um mecanismo de condicionamento que injeta pistas geométricas explícitas no espaço de atenção.
   • MetaRBF+: Para cada token de instância, este módulo prevê os parâmetros de um prior Gaussiano anisotrópico rotacionado $(\sigma_x, \sigma_y, \theta)$. Diferente dos anteriores priors alinhados aos eixos (ex: em TerraDiT-Σ), isso permite que o mecanismo de atenção se adapte a geometrias orientadas e alongadas.
   • Modulação de Campo de Geometria Espacial (SGF): Para condições geométricas mais ricas (polígonos, polilinhas, caixas), o modelo computa um campo espacial denso.
     • Para polígonos e caixas, um Campo de Distância Assinada (SDF) com queda sigmoide é usado para criar fronteiras nítidas.
     • Para polilinhas, uma função de contraste baseada em distância expande o suporte da linha para capturar a espessura visual (ex: rios).
   • O prior de atenção final é um produto normalizado do kernel Gaussiano e do campo de geometria espacial, modulando multiplicativamente os logits de atenção entre os tokens de imagem e de primitiva. Isso garante que pontos induzam um foco local suave, enquanto polígonos e polilinhas impõem uma adesão geométrica estrita.

3. Treinamento e Dados:

   • O modelo é treinado no dataset Git-10M, utilizando dados vetoriais do OpenStreetMap (OSM) para as primitivas e texto/geolocalização global para contexto.
   • O treinamento envolve um framework de difusão de tempo contínuo com previsão de velocidade, alinhamento de representação (REPA) usando um codificador DINOv3 específico para satélite, e estratégias de dropout adaptativo para garantir robustez através de variados níveis de densidade de anotação.

Principais Contribuições

1. Framework Unificado: O TerraDiT-Ω é o primeiro framework generativo a operar diretamente em qualquer primitiva geoespacial nativa, permitindo síntese controlável de estado da arte através de um espectro de orçamentos de anotação, desde pontos esparsos até polígonos precisos.
2. Atenção Local Ciente de Geometria (GALA): O mecanismo de condicionamento proposto preserva explicitamente as pistas geométricas em primitivas vetoriais, melhorando significativamente a fidelidade em cenas densamente estruturadas ao modelar rotação e restrições espaciais.
3. Aumento Versátil de Dados Sintéticos: A arquitetura única suporta a geração de dados sintéticos para múltiplas tarefas downstream (segmentação, detecção, extração de estradas, classificação) sem exigir pipelines específicos para cada tarefa ou rasterização.

Resultados Experimentais

Os autores avaliaram o TerraDiT-Ω em três datasets de teste: Git-Rand-15k (amostragem global aleatória), Git-Spatial-15k (holdout espacial) e Git-Dense-3.5k (cenas de alta densidade).

• Qualidade de Síntese: O TerraDiT-Ω supera consistentemente modelos de imagem gerais (ex: SDXL, PixArt) e baselines geoespaciais anteriores (ex: GeoSynth-OSM, VectorSynth, TerraDiT-Σ) em métricas FID, sFID e LPIPS. Notavelmente, o desempenho escala com a complexidade da anotação; o modelo atinge os melhores resultados quando condicionado ao conjunto completo de primitivas ($\Omega$).
• Fidelidade Espacial: Métricas quantitativas (SSIM) e visualizações qualitativas demonstram que o TerraDiT-Ω mantém a conectividade relacional correta (ex: passagens superiores, redes de estradas) onde os baselines baseados em raster falham. O modelo reduz efetivamente alucinações de layout ao fornecer detalhes geométricos exatos.
• Utilidade Downstream: Dados sintéticos gerados pelo TerraDiT-Ω melhoram o desempenho downstream em quatro tarefas principais de RS:
  • Detecção de Objetos (DIOR): Melhora no mAP@50-95 e mAP@50.
  • Segmentação de Cobertura de Solo (OpenEarthMap): Aumento de mIoU e scores F1.
  • Extração de Grafos de Estradas (Escala de Cidade): Melhora na conectividade topológica (TOPO) e geometria local (APLS).
  • Classificação de Cena (AID): Ganhos significativos de acurácia, particularmente em regimes de poucos dados.
• Estudos de Ablação: Remover a rotação ($\theta$) ou a modulação SGF degrada o desempenho, confirmando a necessidade de modelagem geométrica explícita. A GALA supera outros mecanismos de atenção (GSA, IMA, ALA) na adesão a geometrias complexas.

Significância e Alegações

O artigo afirma que o TerraDiT-Ω representa um passo significativo em direção a fluxos de trabalho de GeoAI robustos e de ponta a ponta. Ao eliminar a necessidade de conversão de formato entre primitivas vetoriais e máscaras raster, o framework preenche a laciação entre anotações densas caras e prompts esparsos imprecisos.

Os autores enfatizam que sua abordagem é naturalmente compatível com fontes de dados geoespaciais existentes (como o OSM) e suporta layouts controláveis através de variados orçamentos de anotação. Essa flexibilidade permite a geração de dados sintéticos de alta fidelidade que aumentam diretamente o desempenho de modelos downstream sem o overhead computacional de pré-computar máscaras densas ou a perda geométrica da rasterização. O trabalho posiciona-se como uma solução versátil e unificada para a síntese de imagens de satélite que se alinha às realidades estruturais do sensoriamento remoto.