六组超分全胜，超分FID最低9.2：Genesis让卫星地图跨层生长

龙哥导读

Genesis把“一张图放大”和“一张图向外补”接进同一套四叉树调度，让稀疏种子长成可连续缩放的地图金字塔。论文超分协议中，Genesis-H六组LPIPS、DISTS、FID全领先，超分FID为9.2—14.8；这不是地理真实性分数。

先看最直观的结果。下图展示三个地点在缩放级别16上的外扩，每个地点只给1—3个红框种子，其余大片区域由模型补全；上排与下排分别是不同站点，不是“生成前、生成后”的时间序列。

图1：Genesis外扩定性结果。三列从左到右分别以1、2、3个红框种子启动；红框内是被保留的已知图块，框外是生成补全。树林、道路、农田与工业区在大范围上能够延续，但该图只能说明这些样例具有视觉连贯性，不能证明框外内容对应当地真实观测。

问题也由此变得具体：如果只补一圈，普通外扩模型已经能做；如果只把一块图放大，超分模型也能做。可一张在线地图要求用户既能平移，又能不断缩放，细层图块必须继承粗层布局，相邻图块还不能在边界处突然断路、变色或换地貌。

一、Genesis补的缺口：不是一张图，而是一整棵地图

卫星地图天然是多尺度系统。缩放级别较低时，一块图覆盖很大范围；向下进入更高缩放级别时，一个父图块分成四个子图块，每个子图块覆盖父图的一个象限，同时显示更细的纹理。

论文把目标定义为“多尺度图块补全”：输入是一组位于任意缩放级别和任意位置的种子图块，输出是目标子树中的全部图块。系统同时满足两类约束：纵向上，父节点应等于四个孩子拼接后下采样的结果；横向上，同一层的邻居应自然接合。

图2：论文任务总览。左侧不同高度的平面代表不同缩放级别，红框标出分散的输入种子；中间箭头表示Genesis执行补全；右侧每一层都被填满，并沿虚线保持父子覆盖关系。它表达的是任务目标与输出形态，不能单凭示意图证明所有层已达到无缝或真实一致。

以前的卫星生成大多只沿一条轴工作。超分沿“纵轴”走，把一个图块变细；inpainting、outpainting与MultiDiffusion式方法沿“横轴”走，在同一尺度扩展画布。Genesis把研究对象从孤立图像改成统一四叉树，因而第一次把“放大后要像父层”和“扩边后要接得上邻居”放进同一个系统问题。

二、第一条数学主线：把噪声沿速度场推回图像

Genesis的超分与外扩不是同一个模型共享两种按钮，而是两个独立训练的像素空间JiT流匹配Transformer。它们都直接处理像素token，避免先把卫星图压进VAE潜空间再解码时可能引入的信息瓶颈，但也意味着高维像素生成本身计算不轻。

路径速度为v=x−ε。网络先预测干净图xθ，再换算vθ=(xθ−x̃τ)/(1−τ)；也就是输出图像、监督方向场。

这里的关键不是“扩散模型换了一个名字”，而是两个空间操作共享同一种可组合的生成底座：超分学父到子的速度场，外扩学已知区域约束下孔洞内部的速度场。统一训练语言让调度器能把两者串起来，但不会自动保证串联后的全局一致性，后面仍需要重锚定、重叠融合和确定性回扫。

三、垂直算子：一个父图块，长成四个孩子

设缩放级别z上的父图块为N×N。垂直超分算子不是只输出某一个孩子，而是一次生成2N×2N的完整马赛克，再按四个象限切成z+1层的四个N×N子图块。这样，四个孩子在生成时能彼此看见，比独立生成四块更有机会保持道路与纹理连续。

父图对生成有两路条件：一路是父图的像素patch token，负责局部颜色和布局；另一路来自冻结的卫星领域DINOv3，提供较高层语义。流时间τ与目标缩放级别z还会被嵌入到AdaLN条件中，让同一模型知道自己处于哪一步、正在生成哪种尺度。

训练时不一定四个孩子都可用，因此速度损失只在已观测像素上计算。除此之外，论文加入按象限计算的LPIPS感知损失，直接比较每个预测孩子与真实孩子的特征距离，避免只优化像素或速度后得到结构正确但视觉发糊的结果。

超分训练还采用由易到难的缩放课程：先学较粗父层，再混合粗细尺度，最后覆盖全部缩放级别与完整四象限。DINOv3偏向稳定语义，LPIPS推动感知质量；两者作用会在实验部分细拆。

四、水平算子：灰色孔洞有四种，不是随便涂一块

水平外扩算子把一个N×N图块分成四个象限，允许其中任意一部分已知、其余部分待生成。二值掩码h在孔洞像素处为1、已知像素处为0；噪声只注入孔洞，已知区域始终保持干净。

图3：四种单图块外扩掩码。彩色卫星区域是已知输入，灰色区域是待生成孔洞；从左到右依次为已知三象限、已知两个相邻象限、已知两个对角象限、只知一个象限，对应孔洞25%、50%、50%和75%。相邻双象限提供连续边界，对角双象限提供两块分离锚点，最后一种上下文最少、难度最高。

模型条件由七个通道拼成：三通道的“孔洞加噪、已知区干净”图像，一通道掩码h，再加三通道的(1−h)⊙x已知内容。它们被patch化后送入每个Transformer块的交叉注意力，而且注意力限制在已知patch上，避免模型把尚未生成的孔洞误当成条件。

课程学习同样从易到难：先补25%孔洞，再补两种50%孔洞，然后挑战75%孔洞，最后混合全部模式。实验中孔洞越大越难，Genesis-H的FID从quad3约3.2，上升到quad2约8，再到quad1约17，符合“可用锚点越少，不确定性越大”的直觉。

四种mask不是为了凑四个测试格，而是在模拟调度器真正会遇到的上下文形状。当生成从种子向外传播时，有时窗口三面已有内容，有时只碰到一角；如果模型只会规则的单侧扩边，整张大图很快就会卡住。

五、核心方法图：六步把两种算子编成一台引擎

有了超分和外扩，还不等于有Genesis。真正决定整棵树如何长出来的是调度器：它先选一个“工作层”，把所有种子投影到同一分辨率，在这一层完成横向补全，再向叶子逐层超分，最后从细到粗回扫。

图4：Genesis框架。①蓝、紫、橙边框是不同层和位置的种子；②经下采样或超分带到工作层D−r；③红色滑窗按已知象限最多优先外扩；④补全工作层；⑤重叠超分到叶层；⑥向上双三次回填非种子粗层。图中是算法顺序，不是一次端到端前向。

工作层记为zD−r，D是目标子树深度，r表示它距离叶层还有几级。r大，工作层更粗，外扩网格更小，系统更多依赖后续超分；r小，工作层更细，外扩承担更多高分辨率幻觉。论文系统设置取r=1，即在倒数第二层完成主要横向补全。

第二步是“最大覆盖外扩”。调度器把画布看成半图块大小的象限网格，用一个覆盖2×2象限的窗口以半图块步长滑动；每轮优先挑已知象限最多、彼此不争用单元格的窗口批量生成。新补出的象限立刻成为邻居的条件，于是内容像水波一样从种子向外传播。

第三步不是逐块独立超分，否则边界会各算各的。Genesis在拼接后的整幅马赛克上运行MultiDiffusion式轨迹：256×256窗口重叠32像素，并在每一步把各窗口速度按平台形权重融合，窗口内部权重大、重叠边缘逐渐衰减。

这一步还采用双三次warm start：先把父层插值放大，再把它加噪到τ=0.4，从中间状态继续生成，而不是从纯噪声完全重画。已知叶子种子在每一步按对应噪声等级重新锚定，既保留原输入，也让周围窗口围绕它协调。

第四步专门修缝。系统计算叶层内部边界的平均像素不连续度，从最差边界开始，在缝中心放置256×256窗口，遮住宽64像素的带状区域，再用外扩模型重生成并以柔边掩码混回原图。它不是全局重跑，而是把计算集中在最明显的接缝。

最后从叶层向上双三次下采样，只回填非种子粗层；原始种子必须保留，工作层中未受修缝影响的部分图块也保持不变。这次“对账”缩小的是非种子节点的父子冲突，并不把细层宣布为绝对事实，也不保证整棵树无条件一致。叶层误差仍可能向被回填的粗层传播，确定性计算也不等于语义正确。

六、dense500：500棵完整四叉树，为什么每棵正好85块

要评估“补完整棵树”，只收集零散父子对不够。论文构建dense500：500个完整深度4四叉树，每个地点连续覆盖四个缩放级别，因此图块总数是1+4+16+64=85。

这500棵树又分成五个zoom window，每个窗口100个地理上不同的站点。窗口沿地图金字塔逐段下移，覆盖从约76米/像素到0.6米/像素的尺度，让同一任务同时面对大范围地貌和较细城市纹理。

“完整观测”意味着任意挑选种子后，未给模型的每一层、每一块都有对应真值可比较。它不仅能测单算子的LPIPS、DISTS、FID和边界差异，也能测整棵金字塔的跨层一致、光谱特征与空间连续。

dense500的价值不在“500很大”，而在每个站点都拥有完整的85块父子链。不过站点按人口密度加权并限制在城市单元，主要覆盖有人居住、细尺度影像更丰富的区域；它不能证明荒漠、极地、海岛或罕见地貌上同样稳定。

七、超分结果：标题里的9.2，究竟代表什么

超分评测有两个测试划分：random_test与spatial_test；每个划分再按孩子缩放级别分成z12—15、z16—17、z18三组，因此共有六个split/zoom组。Genesis-H在六组中都取得最低LPIPS、DISTS和FID，也就是三项感知或分布指标全部领先。

论文概括的超分FID范围是9.2—14.8；主表各组约9.41—14.85。SwinIR是32—47，ZoomLDM是42—70，差距横跨两个划分与三组尺度。

还有一个看似矛盾的细节：双三次插值在多数PSNR、SSIM上最高，却在LPIPS和FID上明显落后。原因是插值忠实保留低频结构，因此像素误差小，但生成不出高频纹理；Genesis则更偏感知自然与分布逼真，未必逐像素最接近。

所以“FID低至9.2”准确表达的是：在论文的卫星超分协议与对应组别中，Genesis-H生成分布最接近真值分布。它不表示误差只有9.2%，也不表示生成地区有91%的地理事实被恢复，更不能直接跨数据集与其他论文的FID横比。

八、外扩结果：八个格子全赢，边界指标比“看着顺”更关键

B-diff尤其值得关注。普通图像补洞只要整体像就可能过关，但Genesis要连续调用外扩，孔洞边界的一点色差或纹理错位会被复制到更大范围；边界差异低，才有资格成为可链式组合的水平算子。

从数字看，random split中Genesis-H的FID约为3.23、8.20、8.05、16.99，对应孔洞从25%扩大到75%；spatial split也非常接近。Text2Earth-Inpaint在最难quad1约为19.34与19.91，而SD2系列超过30，说明卫星领域专门建模与训练mask课程确实有效。

这些指标不代表外扩地貌真实：离开已知区域后，模型做的是条件生成，评价的是统计相似与接缝连续，不是观测真实性。

九、与TerraGen、COP-GEN-Beta相比，Genesis到底多了哪一维

TerraGen关注的是layout-conditioned遥感数据增强：先给道路、建筑、地物布局等结构条件，再生成与布局匹配的遥感图像。它解决“怎样按指定空间布局制造训练样本”，控制性强，但核心对象仍是给定布局下的图像生成，不负责把任意稀疏种子递归组织成完整缩放金字塔。

COP-GEN-Beta强调对Copernicus多传感器影像缩略图进行统一生成建模。它把不同传感器或观测模态纳入一个生成框架，回答“多源地球观测缩略图能否由统一模型生成”；但缩略图生成与四叉树父子一致不是同一问题。

Genesis补上的环节，是递归缩放金字塔的一致性。它不以布局条件替代地理种子，也不以传感器统一替代空间层级，而是明确规定父节点、四个孩子、相邻图块与调度顺序，让生成结果可以被连续平移和缩放。

三者对应的是三种不同控制轴：TerraGen控制“画什么布局”，COP-GEN-Beta控制“以什么观测模态生成”，Genesis控制“怎样跨空间与尺度长成一棵一致的树”。未来真正强的地球生成引擎，很可能需要把这三类控制合并，而不是选一个淘汰另外两个。

十、它能做什么：从稀疏素材到可浏览的假想世界

第一类价值是游戏、模拟器和数字环境。团队可能只有少量区域素材，却需要大范围、可连续缩放的背景地图；Genesis式系统能把素材扩成结构连贯的多尺度世界，比逐尺度手工生产更适合快速原型。

第二类是“如果这样规划会怎样”的假想城市布局探索。种子可以作为必须保留的局部锚点，模型补全周围合理环境，再通过金字塔提供从区域到街区的浏览体验。这里输出是设计空间中的候选，不应包装成真实未来预测。

第三类是遥感训练数据生成。过去增强方法常在单一分辨率上制造图像，Genesis让同一合成场景拥有父层与子层，可用于研究跨尺度检测、检索、变化分析和多分辨率表示。不过训练数据是否真的改善下游任务，仍需任务级实验，而不是只看FID。

龙哥觉得，它最值得关注的不是“自动造一张卫星图”，而是把生成结果做成一种可遍历的数据结构。从平面图像到四叉树，意味着系统开始考虑地图产品真实使用时的缩放、拼接、缓存与层级关系，这比单张惊艳样例更接近基础设施。

十一、局限集中看：四个问题决定它能不能被认真使用

第一，生成区域是合理幻觉，不是真实观测。红框外即使道路、森林和建筑看起来顺，也不能用于确认某地真实存在什么。任何测绘、灾害评估、环境执法或安全决策，都必须回到有时间戳、有传感器来源的原始影像。

第二，单种子场景容易语义漂移。只有一小块上下文时，模型不知道远处究竟应延续城市、农田还是森林，生成语义可能逐步离开真值。图1左列视觉上连贯，只能说明“像一种可能世界”，不能说明它找回了缺失世界。

第三，dense500偏向人口区域。这种选择符合高分辨率影像供给与应用需求，也让城市纹理得到充分评估；但人口稀疏地区、极端气候区和异常地貌的分布更不同，现有结果不足以外推。

第四，迭代组合会积累误差。一次超分中的细小道路偏移，可能在下一层被继续细化；一次外扩的语义选择，也会成为后续窗口的新条件。重叠融合、修缝与自底向上对账能缓解边界和父子冲突，却不能把早期错误变回真实内容。

十二、龙哥点评：重要的不是把地图补满，而是知道哪一层该生成

Genesis的方法里，最漂亮的部分不是某个单独网络，而是让生成与确定性操作分工：横向未知内容交给外扩，纵向细节交给超分，再以保留种子为前提，用自底向上下采样回填非种子粗层、缩小父子冲突。

这是一种很有工程味的判断：不是所有步骤都需要生成模型。能确定计算的地方就确定计算，只有信息缺失处才承担生成不确定性；再通过调度顺序把不确定性限制在最合适的尺度上。

工作层D−r就是这套系统的“风险旋钮”。层选得粗，外扩范围小、效率高，但后续超分要连续猜更多细节；层选得细，已知种子可能约束更直接，却要在更大网格上生成，接缝与计算成本都会上升。

长期看，生成地图的竞争点不会只是谁的单图FID更低，而是谁能把来源、尺度、置信度、父子一致和用户交互一起纳入系统。Genesis给出了四叉树调度的第一块较完整拼图，但“合理生成世界”与“可信描述世界”仍是两条必须分开的产品路线。

十三、龙迷三问

第一问：Genesis能把一张低清卫星图恢复成真实高清图吗？
不能这样理解。超分受到父图和语义特征约束，指标显示输出更接近真实图像分布，但缺失的高频细节没有唯一答案。它生成的是合理细节，是否对应真实屋顶、道路或车辆，必须由真实高分辨率观测确认。

第二问：为什么不直接在最高分辨率把整张大地图一次生成？
最高分辨率画布巨大，直接生成成本高，也难利用地图天然的父子结构。Genesis先在工作层横向补全，再逐层增加细节，既缩小外扩网格，也让粗布局成为后续条件；代价是多次调用会产生累计误差。

第三问：FID低至9.2，是否已经足够用于真实业务？
不够。FID只说明测试协议下的分布接近度，还要看区域类型、种子数量、接缝、跨层跳变、下游任务和错误成本。模拟与数据增强可以容忍合理幻觉，事实型遥感业务则必须禁止把生成区域冒充观测。

总结

Genesis提出多尺度图块补全：从任意位置、任意缩放级别的稀疏种子出发，补成一棵完整四叉树。它用垂直超分生成孩子、用水平mask外扩补同层未知区域；调度器完成种子对齐、最大覆盖外扩、重叠超分与修缝，最后在保留种子及部分未受修缝影响的工作层图块的前提下，回填非种子粗层、缩小父子冲突。

实验上，dense500提供500棵深度4完整四叉树、每站点85块与五个zoom window；Genesis-H在六个超分组的LPIPS、DISTS、FID全部领先，超分FID约9.2—14.8，在八个外扩格的FID、LPIPS、B-diff也全部领先。

它把卫星生成从“做一张像真的图”，推进到“生成一套可连续浏览的层级结构”。但结构一致不等于地理真实：框外内容仍是生成，单种子会漂移，城市偏置限制外推，迭代误差会累积。把它用于创造世界，可以大胆；把它用于描述现实，必须克制。