《Remote Sensing》：Freq-LoRA: Frequency-Domain Low-Rank Adaptation for Weather-Robust Aircraft Segmentation in EO Remote Sensing
编辑推荐：
恶劣天气对地面光电（EO）飞机监视构成重大挑战。现有参数高效微调（PEFT）方法主要在空间域操作，将天气视为通用域偏移而非频率相关退化。研究人员提出Freq-LoRA，一种频率域PEFT方法，该方法将第二类离散余弦变换（DCT-II）应用于冻结的编码器特征，将
恶劣天气对地面光电（EO）飞机监视构成重大挑战。现有参数高效微调（PEFT）方法主要在空间域操作，将天气视为通用域偏移而非频率相关退化。研究人员提出Freq-LoRA，一种频率域PEFT方法，该方法将第二类离散余弦变换（DCT-II）应用于冻结的编码器特征，将其分解为学习的高斯频率带，并用图像驱动的频谱门（SpectralGate）调制这些频带。SpectralGate包含140个参数，从输入图像的DCT统计量估计频带重要性，在推理时无需外部天气元数据；但训练仍需天气多样数据以学习分解。在包含五种天气条件的Blender模拟飞机数据集上，Freq-LoRA达到了0.904的测试平均交并比（mIoU），95%置信区间（CI）为[0.899, 0.908]，使用559K可训练参数。其点估计与天气条件化空间方法特征级线性调制（FiLM；0.906）相差-0.002，尽管推理时无需外部天气元数据。与批量大小匹配的空间LoRA（0.873；95% CI：[0.867, 0.879]）相比，Freq-LoRA点估计高0.031。在真实无人机（UAV）图像上的初步评估得到0.421 mIoU（比零样本分割一切模型（SAM）高13%；一个平台），在六种未见图像损坏下的评估显示与天气神谕变体的差异最多0.001 mIoU。
研究背景：光电遥感（EO）系统用于地面飞机监视，但恶劣天气（如雾、夜、云、复合条件）会降低性能。深度学习模型如分割一切模型（SAM）可泛化，但在不良天气下表现下降，全微调成本高。现有参数高效微调（PEFT）方法如
