摘要
从卫星图像中准确提取道路图谱对于大规模制图和地理空间分析至关重要。近期基于基础模型的单次图谱提取框架已取得令人满意的表现，但在道路结构被植被、建筑物、阴影及其他地表条件部分遮挡的复杂环境中，其有效性会降低。这些由遮挡引起的干扰会导致连通性不完整和拓扑重建质量下降，尤其是在域外场景下。本研究提出了一种感知遮挡的细化框架，在保持原有骨干架构的同时，提高卫星图像道路图谱提取的鲁棒性。所提出的框架引入了三种互补策略：用于显式遮挡感知表示学习的合成遮挡增强，用于改进连通性推理的具有硬挖掘拓扑优化的遮挡自适应扩展线策略，以及用于可靠图谱节点定位的遮挡自适应节点引导重采样机制。在 Global-Scale 道路图谱提取基准上进行的实验表明，该方法持续提升拓扑重建性能。与复现的 SAM-Road++ 基线相比，所提出的框架将域内分割上的 TOPO F1 从 61.81 提升至 62.56，将域外分割上的 TOPO F1 从 46.93 提升至 51.51。此外，ID-OOD 性能差距从 14.88 缩小至 11.05，表明在未见过的地理条件下鲁棒性得到增强。结果表明，将遮挡显式建模为结构化因素可以有效地提高卫星道路图谱提取系统的泛化能力。
