Исследователи Корейского института передовых технологий (KAIST) разработали GeoCore-9B, модель для удаления облаков со спутниковых изображений и преобразования радарных снимков в оптические. Описание работы появилось на arXiv 3 августа 2026 года, а 19 октября о ней сообщил институт. Модель учитывает координаты и масштаб съёмки, но созданные ею детали остаются результатом генерации, а не новыми измерениями спутника.

Что подсказывают модели координаты и масштаб

GeoCore-9B обучили на наборе Git-10M, который содержит 10 миллионов пар спутниковых изображений и текстовых описаний. Для создания изображения модель получает описание сцены, широту, долготу и GSD. Это сокращение обозначает размер участка земли, который приходится на один пиксель. Масштаб помогает различать объекты: одинаковый контур на одном снимке может быть небольшим зданием, а на другом, с иным разрешением, крупным промышленным объектом.

Допустим, модели задают описание «порт», координаты и масштаб, при котором один пиксель соответствует одному метру. Она должна учитывать и место съёмки, и то, насколько мелкие объекты различимы при таком масштабе. Это условная иллюстрация принципа, а не отдельный результат эксперимента.

Для удаления облаков и преобразования радиолокационных снимков исследователи отдельно адаптировали модель методом низкоранговой адаптации LoRA. Основную модель при этом оставили без изменений, обучая только небольшое число дополнительных параметров.

Удаление облаков проверяли на открытом наборе Sen2-MTC, а преобразование радиолокационных изображений в оптические RGB-снимки на QXS-SAROPT. Радиолокационные снимки SAR строятся по отражённым радиоволнам: такой способ съёмки работает ночью и при облачности, но изображение выглядит не так, как обычная фотография.

По данным авторов препринта, в испытании на Sen2-MTC GeoCore-9B превзошла сравнивавшиеся специализированные модели по PSNR и SSIM, двум показателям сходства с эталонными изображениями. По LPIPS результат был сопоставим с сильнейшими конкурентами. В преобразовании SAR-снимков в оптические модель получила лучшие значения FID и HF-SCC среди методов в таблице сравнения, а по SSIM была близка к лидеру.

Эти показатели оценивают сходство результата модели с эталонами в тестовых наборах. Они не подтверждают, что конкретная дорога, граница поля или постройка действительно находилась под облаком. Модель может дорисовать правдоподобный участок по усвоенным закономерностям, а при преобразовании SAR-снимка создать оптическую RGB-картинку. Ни то ни другое само по себе не является новым наблюдением поверхности.

Авторы отмечают, что нынешняя версия создаёт оптические RGB-изображения, но не SAR- или мультиспектральные данные. Они также предупреждают о риске географических дипфейков и необходимости разрабатывать способы выявления синтетических спутниковых снимков. Команда планирует проверить модель на большем числе регионов и сенсоров. Результаты опубликованы в препринте на arXiv; подтверждения журнального рецензирования в предоставленных материалах нет.

О подготовке научных публикаций можно узнать в разделе услуг по научным статьям.

Схема показывает, как входные данные и адаптация GeoCore-9B приводят к созданию оптического изображения, которое остаётся генеративной реконструкцией, а не самостоятельным наблюдением.

Фото: jason hu / Pexels