TerraDiT-Ω: Control Espacial Unificado para la Síntesis de Imágenes Satelitales con Cualquier Primitiva Geoespacial

Resumen

Los modelos generativos han logrado un progreso notable, sin embargo, aplicarlos a imágenes satelitales sigue siendo un desafío. A diferencia de las imágenes naturales, las escenas satelitales están estructuradas por geometrías espacialmente complejas y semánticamente distintas. Trabajos previos abordan esta complejidad adaptando marcos de imágenes naturales mediante el uso de rásteres densos o indicaciones dispersas, intercambiando costo de anotación y fidelidad mientras se rompe la compatibilidad con primitivas vectoriales comúnmente utilizadas para representar información geográfica. Presentamos TerraDiT-Ω, un marco unificado de control espacial que genera imágenes satelitales directamente desde cualquier primitiva geoespacial nativa. Al aprovechar conjuntamente anotaciones precisas (polígonos, polilíneas) y otras más gruesas (cajas delimitadoras, puntos), el modelo admite diseños controlables en diversos presupuestos de anotación, ampliando la aplicabilidad a tareas de diseño como la planificación urbana, manteniéndose naturalmente compatible con flujos de trabajo GeoAI de extremo a extremo. Para aprovechar eficazmente estas primitivas durante la generación, proponemos la Atención Local Consciente de la Geometría, un mecanismo de condicionamiento que inyecta señales geométricas explícitas en el espacio de atención. En todos los formatos de condicionamiento, nuestro enfoque supera consistentemente tanto las líneas base de control denso como las de control disperso. Además, esta flexibilidad permite aumentar datos sintéticos controlables utilizando un único modelo generativo, mejorando el rendimiento posterior en segmentación de cobertura terrestre, detección de objetos, extracción de grafo de carreteras y clasificación de escenas. El código, los datos y los pesos están disponibles en https://github.com/mvrl/TerraDiT.

English

Generative models have achieved remarkable progress, yet applying them to satellite imagery remains challenging. Unlike natural imagery, satellite scenes are structured by spatially complex and semantically distinct geometries. Prior work addresses this complexity by adapting natural image frameworks using dense rasters or sparse prompts, trading off annotation cost and fidelity while breaking compatibility with vector primitives commonly used to represent geographic information. We introduce TerraDiT-Ω, a unified spatial control framework that generates satellite imagery directly from any native geospatial primitive. By jointly leveraging precise annotations (polygons, polylines) and coarser ones (bounding boxes, points), the model supports controllable layouts across varying annotation budgets, broadening applicability to design tasks such as urban planning while remaining naturally compatible with end-to-end GeoAI workflows. To effectively leverage these primitives during generation, we propose Geometry-Aware Local Attention, a conditioning mechanism that injects explicit geometric cues into the attention space. Across all conditioning formats, our approach consistently outperforms both dense-control and sparse-control baselines. Furthermore, this flexibility enables controllable synthetic data augmentation using a single generative model, improving downstream performance on land-cover segmentation, object detection, road graph extraction, and scene classification. Code, data, and weights are available at https://github.com/mvrl/TerraDiT.