編輯 | ScienceAI
這是全球首個支援全天候災害響應的多模態超高解析度資料集，論文和資料集已公開，作者團隊來自東京大學（UTokyo），理化學研究所（RIKEN），蘇黎世聯邦理工學院（ETH Zurich）和微軟亞洲研究院（MSRA)。
論文連結：https://arxiv.org/abs/2501.06019
資料集：https://github.com/chenhongruixuan/BRIGHT
近年來，自然災害和人為災害頻發，給全球範圍內的人類社會帶來了重大影響。快速而精準的災後評估尤其是建築損毀評估，是制定緊急救援決策、減少人員傷亡和財產損失的重要依據。然而，傳統基於光學影像的評估方法受到光照和天氣條件的限制，難以在極端環境下及時獲取有效資訊。這一難題亟需突破。
針對這一問題，該團隊開發併發布了 BRIGHT 資料集。BRIGHT 是全球首個開源的、多模態、超高解析度建築損毀評估資料集，旨在支援基於人工智慧的全天候災害響應。
BRIGHT 資料集彙集了災前的光學影像與災後的 SAR（合成孔徑雷達）影像，涵蓋 12 個全球不同地區的災害事件，空間解析度高達 0.3 米至 1 米，能夠精確刻畫單體建築的損毀情況。
與現有的其他資料集相比，BRIGHT 資料集具有以下顯著優勢：
多災種覆蓋：涵蓋 5 類自然災害（地震、颶風、火災、洪水、火山噴發）和 2 類人為災害（爆炸、武裝衝突），事件分佈廣泛，橫跨全球 12 個不同地區，尤其關注災後國際援助需求較高的發展中國家地區。
超高解析度影像：BRIGHT 整合了災前光學影像與災後 SAR（合成孔徑雷達）影像，空間解析度範圍為 0.3 米至 1 米，可精確刻畫單體建築的損毀程度，滿足災後精細化評估需求。
多級別損毀標註：所有建築均經過人工精細標註，並區分為完整、受損和完全損毀三種級別，為構建高精度深度學習模型提供了理想的訓練與驗證資料。
開源共享與持續更新：研究人員已在 GitHub 上開源了 BRIGHT 資料集及相關程式碼，並計劃隨著新災害資料的獲取持續更新，進一步豐富資料集的多樣性與覆蓋範圍。
在實驗中，團隊採用 BRIGHT 資料集測試了多種先進的深度學習模型，結果驗證了其在支援災害評估方面的顯著優勢。這些實驗結果不僅為未來的災害響應模型設計提供了基線，還為研究人員探索新方法和技術提供了豐富的資源。
IEEE GRSS 資料融合大賽 2025
值得一提的是，BRIGHT 資料集被選為遙感社群最大的年度競賽之一 ——— IEEE GRSS 資料融合大賽-賽道二的官方資料集。
相關連結：https://www.grss-ieee.org/technical-committees/image-analysis-and-data-fusion/?tab=data-fusion-contest
2025 年的 IEEE GRSS 資料融合大賽由東京大學、RIKEN、ETH Zurich 和 IEEE GRSS 影像分析與資料融合技術委員會聯合主辦。本次大賽旨在推動多模態遙感資料在地表監測與災害響應中的應用與創新，聚焦兩大核心任務：
賽道一 全天候土地覆蓋製圖：使用亞米級解析度的光學和 SAR 資料進行 8 類地表覆蓋型別（如林地、道路、建築等）的自動化識別。在評估階段，模型僅依賴 SAR 資料，以驗證其在真實模態缺失條件下的泛化能力。
相關連結：https://github.com/cliffbb/DFC2025-OEM-SAR-Baseline
賽道二 全天候建築損毀評估：以 BRIGHT 資料集為基礎，參賽者需基於災前光學影像與災後 SAR 影像，評估建築在災害中的損毀程度（背景、完好、受損、完全損毀），助力災後應急響應與恢復規劃。
相關連結：https://github.com/ChenHongruixuan/BRIGHT
四支獲勝團隊將在遙感最大的會議之一 IGARSS 2025 上展示成果，獲得 IEEE 頒發的榮譽證書以及 5000 美元的豐厚獎金。