Conflated Inverse Modeling for Urban Vegetation Patterns¶

会议: CVPR 2026
arXiv: 2604.13028
代码: 有
领域: 遥感 / 城市计算
关键词: 逆向建模, 扩散模型, 城市植被, 地表温度, NDVI

一句话总结¶

提出融合正向预测模型和扩散逆向生成模型的框架，在指定温度变化目标下生成多样且物理合理的城市植被空间配置（NDVI 模式），多样性提升 3.4 倍同时温度控制误差降低 37%。

领域现状：城市区域日益受到热极端事件影响，植被通过遮阴和蒸散调节城市微气候。正向模型（给定植被预测温度）已成熟，但逆向问题（给定温度目标确定植被配置）几乎未被探索。

现有痛点：逆向问题本质上欠定——多种空间植被排列可产生相似的聚合温度响应。传统回归和确定性神经网络无法捕获这种歧义性，倾向于产生平均解。数据稀缺加剧问题：同一城市区域在不同植被方案下的观察不可得。

核心矛盾：需要同时实现多样性（不同的空间植被配置）和特异性（都满足指定温度目标），且在训练数据中这些组合可能不存在。

本文目标：学习条件生成模型，在建筑高度约束下生成满足区域温度目标的多样 NDVI 模式。

切入角度：将植被驱动的温度调节建模为生成式逆问题，在聚合区域尺度强制温度约束以保留空间多样性。

核心 idea：正向模型监督逆向扩散模型在区域尺度的温度一致性，而非像素级约束，从而在保证温度目标的同时生成多样的植被空间配置。

包含三个组件：(1) U-Net 正向模型：从 NDVI 和建筑高度预测地表温度变化；(2) 扩散逆向模型：条件于建筑高度和粗化温度图生成 NDVI；(3) 融合训练：逆向模型训练中用正向模型的区域均值温度预测作为额外监督。

正向-逆向融合训练:
- 功能：同时实现多样性和温度特异性
- 核心思路：逆向扩散模型从粗化温度条件和建筑高度生成 NDVI。训练时将生成的 NDVI 送入冻结的正向模型预测区域均值温度，与真值温度的差异作为额外损失。在聚合区域尺度（而非像素尺度）施加温度约束
- 设计动机：像素级约束会过度约束生成导致多样性消失；区域级约束保留空间自由度
粗化温度条件:
- 功能：避免精细温度图过度确定生成结果
- 核心思路：将温度条件进行空间粗化（降低分辨率），使模型只需满足区域温度趋势而非精确的空间温度分布
- 设计动机：直接条件于精细温度图会使一对一映射，消除多样性
EDM 扩散框架:
- 功能：稳健的条件生成
- 核心思路：基于 EDM（Elucidating Diffusion Models）的预条件化和采样设计，条件输入为建筑高度和粗化温度的 2 通道堆叠
- 设计动机：EDM 在训练效率和鲁棒性上优于标准 DDPM

扩散去噪损失 + 正向模型温度一致性损失（区域均值 MSE）。正向模型先独立训练，逆向模型训练中冻结正向模型。在 20 个美国城市的 Landsat 8 卫星影像上训练。

方法	多样性 (FID多样性)↑	温度误差 (RMSE)↓	温度控制率↑
确定性回归	1.0×	2.85°C	62%
cGAN	2.1×	2.15°C	71%
标准扩散	2.8×	2.42°C	68%
本文 (融合)	3.4×	1.79°C	85%