ReFlowSET：結合表徵對齊與潛在流匹配技術，大幅提升合成孔徑雷達至光學影像之生成品質

本研究提出 ReFlowSET 框架，透過聯合編解碼器選擇與語義表徵對齊，解決 SAR 轉 EO 影像失真問題，在大幅降低模型參數的同時，達到 SOTA 的生成效能。

Problem

現有的 SAR 轉 EO（光學影像）技術大多沿用預訓練於自然影像的潛在空間編解碼器（Codec），忽略了跨模態影像重建的保真度差異，導致生成結果難以精確保留 SAR 的原始條件與 EO 的目標細節，造成影像特徵失真。

開發 ReFlowSET 框架，首先透過聯合 SAR-EO 重建審計挑選最適編解碼器，並捨棄沉重的大型預訓練生成器，改採輕量化 DiT 從頭訓練。訓練過程引入凍結的視覺基礎模型，將雜訊中的 EO 特徵與目標表徵進行對齊，以強化語義引導，且此對齊機制僅限訓練階段，不增加推理負擔。

在 QXS-SAROPT 與 SAR2Opt 等公開數據集上，本方法在感知保真度及分布指標等多項維度均超越現有模型。實驗證明，即便使用較小規模的網路結構，透過精確的表徵對齊與特徵優化，也能實現超越當前技術（SOTA）的生成品質。

本研究突破了傳統依賴自然影像預訓練模型的框架限制，證明了專為特定模態設計的編解碼器選擇與語義對齊機制，能有效解決遙測影像轉換中的跨模態一致性難題，對於軍事偵察、國土監測及環境變遷分析具有高度的應用價值。