EchoChange 用扩散模型修错，遥感灾害描述碾压11基线
青稞AI · wechat · 2026-08-23
西安交大与中科院提出 EchoChange，将双时相遥感变化描述建模为离散掩码令牌扩散任务，通过双通道重掩码训练让模型具备自纠错能力，解决了自回归模型早期错误级联放大的问题。
核心创新
- 离散扩散替代自回归：将答案全部掩码后迭代去噪，允许已生成的位置重新被掩码重猜，实现“随时回头改”。
- 双通道重掩码训练：第一遍从被腐蚀的真值重建草稿，第二遍将低置信度位置重掩码，让模型从自身错误的草稿中恢复，弥合训练-推理鸿沟。
- 课程式采样与置信度校准：训练时从填少数空过渡到全掩码，推理时基于跨轮稳定性判断重掩码位置。
性能表现
基于 Qwen3.5-VL 9B，在 RSCC 灾害基准上，ROUGE-L、METEOR、ST5-SCS 三项指标分别提升 11.1918.88 点，显著优于 Qwen2-VL、InternVL3 等 11 个基线。在事实纠错任务中，单错误修正率达 65.34%，且干净保留率达 79.26%，验证了其“有选择地修订”而非全盘重写的能力。
「多模态」频道最新
- 跳过 LLM 写代码老套路：自训 16M 参数模型做生成式 CAD — debreuil · 2026-08-24
- 寻找不模糊底图的动漫风格 Ref2V 工作流 — undrNourishdEgo · 2026-08-24
- 用 Fable 生成 3D 模型，打印鹈鹕骑自行车 — dan_s_becker · 2026-08-24
- MiniJam+H3 合成地下 Rave 风格音乐 — cocktailpeanut · 2026-08-24
- Minimax H3 社区新闻汇总：ComfyUI 节点与 AMD 训练支持 — optimisticalish · 2026-08-24
- 使用 Minimax H3 与 FFLF 工作流生成视频实测 — wallofroy · 2026-08-24