通过对抗学习实现光学遥感图像的无监督多模态厚云去除

《Remote Sensing Letters》：Unsupervised multimodal thick cloud removal for optical remote sensing images via adversarial learning

云污染导致光学遥感图像质量下降，现有方法依赖参考图像或仅用重建损失易生硬。ALM-CR框架通过SAR辅助，分阶段实现跨模态结构恢复和精细光谱重建，在无参考条件下性能优于监督方法。

　　

摘要

云污染是光学遥感图像中常见的质量问题，会严重影响这些图像的应用效果。近年来，基于深度学习并结合辅助信息的云去除算法受到了越来越多的关注。大多数这类方法依赖其他时期的地理参考、无云光学图像作为参考数据。然而，参考图像与目标图像之间存在固有的差异，这往往导致重建结果不准确。虽然也有无监督方法被提出，通过消除对参考图像的需求来缓解这一问题，但这些方法通常仅依赖训练过程中的重建损失，从而导致重建结果不够自然。为了解决这些局限性，我们提出了ALM-CR（基于对抗学习的多模态云去除）算法，这是一个无监督的两阶段框架，该框架利用合成孔径雷达（SAR）作为辅助输入。第一阶段通过SAR到光学的转换实现结构和光谱的初步恢复，随后通过SAR与光学数据的融合恢复详细的光谱信息。所提出的对抗学习策略消除了对时间参考图像的需求，能够在防止过拟合的同时精确重建被云覆盖的图像。实验结果表明，我们的方法在参考图像存在与否的情况下均优于现有的无监督方法，并且能够比监督方法更一致地重建光谱信息。