合成遥感影像能缓解标注稀缺和采集成本，但“看起来像真实影像”并不代表它能帮助土地覆盖制图。FID、KID、IS、LPIPS 与 SSIM 等指标擅长比较视觉或分布相似度，却可能对遥感业务真正关心的地物边界、类别语义和跨区域泛化没有足够解释力。
这项研究将自动指标、人工感知和土地覆盖分割放在同一组真实与合成数据上比较。结论对 GIS 团队很直接：合成数据是否可用，应由目标任务和人工复核共同决定，而不能由单一图像分数放行。
可核查事实
- 该论文于 2026 年 6 月 23 日以 arXiv v1 提交。
- 研究比较 FID、KID、IS、LPIPS 和 SSIM 等合成影像保真度指标。
- 研究在真实地球观测数据和深度生成模型产生的合成数据上比较自动指标、人工感知和下游任务。
- 语义保持的旋转会显著改变部分自动指标，却不会同样改变人的识别。
- 研究进行四阶段人工感知调查，质量控制后保留 88 名参与者。
- 数据集中的影像块统一为 256 × 256 像素、10 米空间分辨率，并使用七类土地覆盖标注。
- 研究以真实与合成数据混合训练语义分割模型，检验下游土地覆盖分割表现。
- 论文指出，基于 ImageNet 预训练特征空间的质量指标并非地理空间数据的可靠指示器。
核心机制
核心机制是三路对照，而不是寻找另一种万能分数。第一路对合成影像施加旋转、翻转、噪声、透视与裁剪等扰动，观察自动指标是否稳定；第二路请人工判断场景是否一致、图像与分割掩膜是否匹配及真实感；第三路用不同真实—合成混合比例训练土地覆盖分割模型。
若某个生成数据集 FID 较差却能被人理解，并提升分割基线，它不应仅因视觉指标被淘汰；反过来，低 FID 的平滑图像也可能丢失下游模型需要的高频边界。遥感俯视视角、任意方向和大范围场景与 ImageNet 的物体中心化特征不同，正是这种偏差的来源。
GIS 场景与实施路径
适用场景包括土地覆盖样本扩充、罕见地物补样、跨季节影像增强和合成样本采购验收。将合成影像与标签先作为训练候选数据，记录生成器版本、提示或条件输入、采样种子、传感器与分辨率；不能把它们当作真实观测直接写入权威底图。
实施路径应在本地目标区建立留出的真实验证集。先按地物类别、地区、季节和传感器分层抽样，再同时计算保真度指标、人工图像—标签一致性和真实验证集上的分割精度。只有当合成数据不降低关键类别与边界质量，并通过人工复核时，才扩大混入比例。
可执行建议
- 把 FID、KID 等指标作为诊断信号，不设为合成遥感样本的唯一准入门槛。
- 在真实留出区上比较纯真实训练与不同混合比例训练的分割精度、边界质量和少数类召回。
- 对旋转、翻转、裁剪和噪声做敏感性测试，识别对业务语义无关却使分数剧烈波动的指标。
- 组织人工核验图像与标签的空间对应关系，重点检查道路、水体、耕地等易受边界影响类别。
- 将合成来源、模型版本、生成条件、类别比例和验收结果写入训练数据元数据。
风险边界
该研究的实验设置、地区、分辨率和七类标注体系不代表所有传感器与业务。人工真实感并不能证明时相、辐射或地物属性真实；下游分割提升也不能自动覆盖目标检测、变化检测或定量反演。论文为预印本，本地部署仍须对目标地区、类别体系与许可进行独立验证。
结论
对遥感合成数据，视觉保真、人工可理解性和任务效用是三个不同维度。以真实留出区任务表现为主线，用人工核验和自动指标辅助解释，GIS 团队才能在不误把“像”当成“有用”的前提下利用合成样本。