Diffusion Models

Diffusion Models sind eine Klasse generativer Modelle, die lernen, Daten durch die Umkehrung eines schrittweisen Rauschprozesses zu erzeugen. Während des Trainings lernt das Modell, Daten zu entrauschen, die über viele Zeitschritte hinweg zunehmend mit Gaußschem Rauschen überlagert wurden. Zum Zeitpunkt der Generierung startet das Modell von reinem Zufallsrauschen und entfernt dieses iterativ, um eine saubere, realistische Ausgabe zu erzeugen. Dieser Ansatz, der auf thermodynamischen Prinzipien beruht, erzeugt außergewöhnlich hochwertige Ergebnisse und hat sich zur führenden Technik der generativen Modellierung entwickelt. Er übertrifft GANs für viele Anwendungen hinsichtlich Bildqualität und Vielfalt.

Diffusion Models werden auf geospatiale Herausforderungen angewendet, die eine hochwertige Datengenerierung erfordern. Bei der Super-Resolution von Satellitenbildern erzeugen Diffusion Models realistische, hochauflösende Details aus gröberen Eingabedaten und übertreffen dabei GAN-basierte Ansätze hinsichtlich der wahrgenommenen Qualität. Beim Inpainting von Wolken und Schatten werden Diffusion Models eingesetzt, um fehlende oder fehlerhafte Bereiche optischer Satellitenbilder mit plausiblen Oberflächendetails zu ergänzen. Konditionierte Diffusion Models erzeugen Satellitenbilder mit festgelegten Landbedeckungseigenschaften und ermöglichen so gezielte Datenerweiterung für unterrepräsentierte Klassen. Die zeitliche Interpolation nutzt Diffusion Models, um synthetische Satellitenbeobachtungen zwischen tatsächlichen Aufnahmezeitpunkten zu erzeugen und dadurch dichtere Zeitreihen für die Veränderungsüberwachung zu schaffen.

Diffusion Models bieten ein stabileres Training als GANs, da sie den Mode Collapse und das empfindliche Gleichgewicht zwischen Generator und Diskriminator vermeiden. Sie erzeugen vielfältigere Ausgaben, die die tatsächliche Datenverteilung besser abbilden. Allerdings sind Diffusion Models bei der Generierung deutlich langsamer als GANs, da sie viele iterative Entrauschungsschritte benötigen. Jüngere Fortschritte wie DDIM-Sampling, Latent Diffusion und Consistency Models haben die Generierungsgeschwindigkeit erheblich beschleunigt. Für geospatiale Anwendungen bleibt es eine aktive Forschungsherausforderung, sicherzustellen, dass generierte Bilder mit den bekannten spektralen und räumlichen Eigenschaften realer Satellitendaten physikalisch konsistent sind.