Apr, 2023

UnCRtainTS：光学卫星时间序列云去除的不确定性量化

PDF
TL;DR本文介绍了一种名为 UnCRtainTS 的多时空云去除方法，它是基于一种新颖的注意力机制和一种多元不确定性预测公式的组合。在两个公开的云去除数据集上，它取得了最新的图像重建技术实时性能，并展示了这种方法如何通过精准控制重建质量来提高不确定性预测的准确性。
cloud removaldeep learningoptical satellite imagesmultivariate uncertainty predictionimage reconstruction
发现论文，激发创造
  • 全球全季 Sentinel-2 卫星影像云去除的多源数据融合

    通过构建一个新的数据集，本文针对云遮挡导致的地球影像质量下降问题，提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型，并在两个性能指标上进行了评估。

    Sep, 2020

  • 超分辨率遥感图像中云雾消除的扩散增强

    该研究提出了一种基于扩散增强的云去除框架，利用超分辨率图像生成和逐层训练策略，实现了对光学遥感图像中云层的准确去除，大幅提高了图像的感知质量和信号保真度。

    Jan, 2024

  • U-TILISE：光学卫星时间序列云去除的序列到序列模型

    利用表示学习的思路，发展了 U-TILISE，一种高效的神经模型，能够隐式地捕捉光谱强度的时空模式，并通过训练将云层遮掩的输入序列映射为无云的输出序列。实验结果表明，与标准插值基准相比，在之前看到的位置，PSNR 增加了 1.8 dB，在未见过的位置增加了 1.3 dB。

    May, 2023

  • DiffCR: 光学卫星图像快速去云条件扩散框架

    通过 DiffCR 框架，利用深度卷积网络和条件引导扩散，实现了高性能的卫星光学图像云去除，与之前最佳方法相比，参数和计算复杂度只有 5.1% 和 5.4%。

    Aug, 2023

  • 基于学习的云层三维体积恢复及其对气候分析的不确定性

    使用基于学习的模型（ProbCT）并结合被噪声影响的多视角卫星影像，首次推断了浅散云的后验概率分布，以实现三维异质体散射介质组织成像，并指出了三维恢复和不确定性对降水和可再生能源的相关性。

    Mar, 2024

  • IDF-CR: 迭代扩散过程用于遥感图像中的分区云去除

    深度学习技术在光学遥感图像的云去除中展示了其有效性。本文提出了一种迭代扩散过程用于云去除，通过像素空间和潜变空间两个阶段模型实现了云去除的分步处理，提高了清晰度并优化了细节恢复。

    Mar, 2024

  • 去雾遥感与无人机影像：深度学习、基于先验和混合方法的综述

    在遥感和无人机应用中，高质量图像是至关重要的，但大气雾霾严重影响图像质量，因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点，还探讨了去雾技术在遥感和无人机数据集中的应用，全面概述了这些领域中的深度学习和基于先验的方法。我们确定了关键挑战，包括缺乏大规模遥感数据集和需要更加稳健的评估指标，并概述了解决这些挑战的潜在解决方案和未来研究方向。这是我们所知的第一篇详细讨论基准和遥感数据集上现有以及最近（截至 2024 年）的图像去雾方法的综述，包括基于无人机图像的内容。

    May, 2024

  • 通过时间连续的稳健矩阵完成，清除云层并恢复卫星图像序列中的地面观测

    该研究提出了一种基于 TECROMAC 目标函数的优化算法，针对卫星图像序列中云层干扰的问题，实现了云去除和图像恢复，并在实际和模拟数据测试中表现出有效性。

    Apr, 2016

  • Uni-Removal：一种半监督框架，用于同时解决实际图像中的多种降质问题

    本文提出了一种半监督的、适用于多种图像退化去除的框架，其中利用了已预训练的多个网络进行知识传递，同时使用了多粒度对比损失和生成对抗损失，该方法在去雾、去雨、去模糊等方面具有优越性。

    Jul, 2023

  • MT-HCCAR：基于多任务深度学习的云属性检索中的分层分类和注意力回归

    本论文提出了 MT-HCCAR 模型，通过多任务学习同时处理云掩蔽、云相分类和云光学厚度（COT）预测，并结合层次分类网络（HC）和分类辅助注意力回归网络（CAR），提高云标签和 COT 预测的精度和稳健性。通过 K 折交叉验证、一个标准误差规则和两个引入的性能评分，提出了一种综合模型选择方法，选择最优模型在 OCI、VIIRS 和 ABI 三个模拟卫星数据集上的实验结果表明 MT-HCCAR 模型优越性和广泛适用性。

    Jan, 2024