德国慕尼黑工业大学与瑞士苏黎世大学团队提出了一种新方法，利用Stable Diffusion 3生成卫星图像，并创建了包含290万张图像的最大遥感数据集EcoMapper。这一方法结合气候数据，提高了卫星图像生成的准确性，解决了云层覆盖地区的观测问题，推动了气候适应和地理分析。

本研究提出了一种新型变分分割模型，结合可学习形态学骨架先验，显著改善了深度学习在细长物体细节保留方面的不足。实验结果表明，该方法在遥感数据集上有效提升了细长物体的分割效果和模型的推广能力。

本文介绍了使用少样本进行卫星图像目标检测的方法，通过大规模预训练模型构建类参考嵌入或原型，并微调原型以提高性能。研究结果表明，视觉特征优于视觉语言模型，开发的检测器在两个遥感数据集上表现出优异性能。

本研究使用四个遥感数据集训练了六个模型，分析了它们之间的可迁移性和领域适应方法的效果。提出了一种基于光谱指数的简单方法来评估目标领域的模型可迁移性。该研究对通用遥感学习模型的未来发展有指导意义。

介绍了一种新的端到端合成稠密网络SwinV2DNet，它继承了transformer和CNN的优点，克服了现有网络在特征学习中的缺陷。该网络在四个常用遥感数据集上获得了SOTA的变化检测分数和细粒度的变化图。