只标300栋受损建筑：PUMA让地理基础模型在灾后影像上圈出受损范围
核心概要
灾后建筑受损制图长期受标注限制：参数高效微调能适配地理基础模型，却仍默认有大规模可靠标签。PUMA把任务改写为正样本—未标注学习，只用少量已确认受损建筑和大量未标注建筑微调模型，并让非对比式表示细化与潜状态标签消歧互相加强。在xBD的海啸、飓风、龙卷风、野火四个事件上，PUMA在海啸、飓风、野火取得所比较方法中最高的总体精度与F1，海啸与飓风的F1分别比最强对比方法高5.98和4.47个百分点；龙卷风事件上总体精度95.72%、F1为92.88%，与表现最好的NcPU相当。
深度剖析
建筑受损制图可以在只标注少量受损建筑、其余建筑全部未标注的条件下完成，不再需要同时给出受损与未受损两类的大规模标签。 此前的参数高效微调方法多按全监督训练，隐含假设有可靠的规模化标注；灾后场景中这类标注既昂贵又来不及获取。 在xBD的飓风、龙卷风、野火三个事件和ABCD海啸数据上，微调只使用300栋受损建筑与4000至5000栋未标注建筑，PUMA在海啸、飓风、野火三个事件上取得所比较方法中最高的总体精度和F1，龙卷风事件则与最好的NcPU相当。
方法把受损制图拆成两步：先在影像上定位每一栋建筑，再判断这栋建筑是否受损。 受损判断被写成正样本—未标注学习，即只有少量确认受损的正样本和大量状态未知的样本，从而绕开对未受损类别的完整标注。 定位优先使用已有建筑轮廓，没有时用区域提议网络加分割一切模型从灾前影像自动勾出建筑；在自动提取轮廓的实验中，飓风、龙卷风、野火的像素级F1分别为84.11%、87.96%和84.90%。
两个模块交替工作：一个让受损与未受损建筑在特征空间里分开，另一个据此把未标注建筑的伪标签逐步改准。 弱监督下直接做表示学习会引入跨类噪声对，把不同类样本错误拉近，使决策边界难以学准。 非对比式表示细化只利用同类样本对，并用两种损失压低噪声对的梯度；潜状态标签消歧用自适应阈值引入未受损监督，预测置信度下降时伪标签退回未标注状态，因此不需要预先估计受损建筑比例。
启示与展望
演示范围是二分类的建筑受损制图：xBD的飓风、龙卷风、野火事件与ABCD海啸数据，以及2025年洛杉矶野火的Eaton和Palisades两个子区域；指标在对象级计算，三次重复报告均值与标准差。真实案例中，Eaton子区域在仅50栋受损建筑标注下运行，并另设300栋受损建筑加4000栋未标注建筑的设置。作者提出后续将框架扩展到更复杂的受损评估场景和更广泛的弱监督遥感应用。
理论分析表明下界并非每一步都单调收紧，只是在类内表示逐渐对齐时渐近变紧。消融显示单独使用潜状态标签消歧时，飓风事件出现召回高而精度低，加入自适应阈值后精度上升但海啸事件召回明显下降；两者结合才取得更均衡的精度与召回。全量微调在弱监督下性能明显退化且波动更大。真实案例的参考标注由两个专家团队交叉复核，仍排除了复核后状态不明的建筑。