基于图信息瓶颈的遥感图像分割方法（GIB-RSS）：提升不规则对象建模与冗余信息抑制能力

本文提出一种创新的图信息瓶颈框架（GIB-RSS），通过自适应节点与边掩蔽策略和图对比学习，有效解决遥感图像分割中不规则对象建模难题，并显著抑制任务无关冗余信息（如噪声和冗余特征）。该方法在多个公开数据集上超越现有先进模型（如CNN和Transformer），为环境监测与城市变化检测提供更精准的语义分割支持。

　　

Highlight

我们通过自适应图掩蔽与信息瓶颈理论的融合，显著提升了遥感分割中对不规则对象的表征能力，并在多个数据集中验证了方法的优越性。

Approach

本节阐述如何将图像构建为图结构数据，并引入结合信息瓶颈的图对比学习架构（GCL），以学习图像的全局上下文位置信息。

Experiments

本节在遥感图像分割任务上验证所提GIB-RSS方法的有效性。

Results and discussion

为证明GIB-RSS的优越性，我们在四个基准数据集（UAVid、Vaihingen、LoveDA和Potsdam）上进行实验。结果如表2至表5所示，GIB-RSS显著优于现有先进对比算法。具体而言，在UAViD数据集上（表2），GIB-RSS的mIoU值达到70.6%，较其他模型提升3%至11%。在其他类别中的分割精度也一致领先。

Sensitivity analysis of α

图4展示了参数α对UAVid、Vaihingen、Potsdam和LoveDA数据集分割性能的影响。结果表明，模型性能随α从0.1增加而整体提升，在0.5–0.8范围内达到最高精度，而当α过大时略有下降。在UAVid和Potsdam上，mIoU在α=0.7附近达到峰值，分别约为72%和90%，而Vaihingen在α=0.5附近取得最佳性能，mIoU约87%。

Complexity and inference speed analysis

为进一步评估GIB-RSS的实际性与效率，我们在LoveDA测试集上对比了其计算复杂度和推理速度与若干代表性基线方法。如表6所示，对比包括模型参数量（记为“Complexity (M)”）和以每秒帧数（FPS）衡量的推理速度。所有测量均在1024×1024输入分辨率下使用单块NVIDIA GTX 3090 GPU进行。我们的GIB-RSS实现了竞争性的复杂度与速度平衡。

Visualization of segmentation results

如图5、图6和图7所示，我们直观展示了模型的分割结果。可视化结果证明了所设计GIB-RSS在处理挑战性不规则对象时的有效性。具体地，在图5中，可见GIB-RSS比其它SOTA模型能更精确地分割树木和建筑物，错误分割案例相对较少。其它模型易将低植被类别误分类为背景类别。

Ablation study

我们在四个分割数据集上对GIB-RSS进行消融研究，以说明所采用模块的有效性。

Potential applications in low-shot and zero-shot settings

尽管所提GIB-RSS框架主要针对全监督遥感分割任务设计，其架构特性天然适用于低样本或零样本学习等数据稀缺环境。我们简要概述了GIB-RSS在这些挑战性设置中应用的潜在方向。