WMANet：加权多自适应特征注意力机制在自监督单遥感图像去噪中的应用

《Knowledge-Based Systems》：WMANet:Weighted Multiple Adaptive Feature Attention for Self-Supervised Single Remote-Sensing Image Denoising

遥感图像去噪中传统方法在细节重建存在不足，本文提出自监督单图去噪网络WMANet，通过自适应同行加权注意力模块(APAM)结合跳跃连接，实现多尺度特征自适应加权，有效提升高频率纹理细节的重建精度。

　　光学遥感图像在多个领域中具有重要的应用价值，因其能够提供丰富的纹理细节和复杂的信息内容。当前的大型去噪训练方法虽然在泛化能力方面表现出色，但往往无法针对单张遥感图像的具体特性进行有效处理。而传统的单图像训练方法虽然可以独立处理特定图像，但在处理复杂的纹理特征方面仍存在显著的局限性。为了解决这些问题，本文提出了一种自监督去噪网络，命名为加权多适应特征注意力网络（WMANet）。该网络主要由自适应同级加权注意力模块（APAM）和跳跃连接构成，通过这些组件的协同作用，能够更精确地重建受噪声影响的遥感图像中的细纹理。

遥感技术依赖于飞机和卫星等平台，通过可见光、红外、微波等多种传感器收集地球表面数据。其广泛覆盖和快速获取信息的能力，使其能够进入人类难以到达或危险的区域，从而在图像分类、监测、城市规划和资源勘探等领域得到了广泛应用。光学遥感图像因其高分辨率和低噪声特性而备受青睐，但遥感成像过程的复杂性，加上设备差异，使得这些图像容易受到多种噪声的干扰。这些噪声不仅影响图像的视觉感知，还严重降低其在实际环境中的使用价值。此外，遥感图像中复杂的纹理特征进一步加剧了这一问题，使得传统去噪算法难以达到理想的去噪效果。因此，有效去除噪声以获得高质量的遥感图像已成为遥感领域的一项重要挑战。

遥感图像去噪的主要目标是消除图像中的噪声，提升图像质量，使其更贴近人类的视觉感知。解决噪声问题通常采用多种策略，其中增强硬件设施是关键手段之一。然而，仅靠硬件升级在去噪方面的能力有限，尤其是在处理遥感图像中常见的周期性和随机性噪声时，这种局限性更加明显，导致难以获得高质量的图像。随着深度学习技术的迅速发展，许多图像处理技术被应用于遥感图像去噪，取得了显著的成果。在光学遥感图像处理中，神经网络能够有效提取图像特征，同时在保留纹理细节的基础上重建清晰的图像，这使得该过程与传统的图像去噪方法有所不同。然而，传统图像去噪算法通常需要同时输入干净图像和噪声图像，并通过最小化预测图像与干净图像之间的差距来实现去噪，这种方法在光学遥感图像处理中存在一定的困难，因为获取干净和噪声图像对的过程既耗时又费力，有时甚至难以实现。

为了解决上述问题，自监督去噪技术逐渐兴起，其仅依赖于噪声图像，而无需干净的参考图像。在光学遥感图像去噪领域，所采用的方法不仅致力于提升整体图像质量，还旨在实现复杂纹理特征的精确重建。光学遥感图像的一个显著特点是其丰富的多尺度纹理信息，例如农田、森林和城市结构等，以及高频率细节，例如道路边缘和建筑轮廓等。然而，当前的深度学习方法和网络主要关注于提取全局和高层次特征，往往忽略了对复杂和多变纹理信息的细致处理，特别是在光学遥感图像的高频率细节领域。此外，现有的算法通常基于大规模数据集进行训练，优先考虑模型的泛化能力，而非图像细节的重建，这导致去噪后的图像清晰度不足。这种局限性可能导致去噪图像中关键细节的丢失，从而降低其在实际应用中的价值。为应对这些挑战，本文提出了一种基于加权多适应特征注意力机制的自监督单遥感图像去噪框架，即WMANet。该框架能够有效解决去噪过程中面临的问题。

本文的主要贡献体现在以下几个方面：首先，为了解决现有方法在光学遥感图像多尺度纹理特征重建中的局限性，本文提出了一种新的自适应同级加权注意力模块（APAM）。该模块通过在门控过程中引入粗尺度信息，增强跳跃连接中特征的显著性。它能够自适应地调整注意力焦点，突出局部区域中的关键元素。其次，为应对遥感图像的复杂纹理特征以及获取干净样本的困难，本文提出了一种单图像去噪网络WMANet。该方法仅需单张噪声图像即可完成训练，并在训练过程中能够自适应地对每张遥感图像的结构进行去噪。该方法显著提升了图像信息的提取能力，同时在去除噪声的过程中更好地保留了图像的细节纹理特征。最后，本文采用一系列评估指标来准确评估遥感图像去噪算法的效果。实验结果表明，该方法在合成和真实遥感噪声的去噪任务中均表现出优异的性能。

本文的结构安排如下：第二部分系统回顾了去噪领域的主流方法，并对各类方法进行了深入分析。第三部分详细阐述了本文提出的网络架构、训练策略和推理过程，重点介绍了方法的创新点和技术细节。第四部分通过一系列对比实验验证了所提出方法的有效性，包括在不同噪声水平下的测试、与现有方法的定量和定性比较，以及对实验结果的深入分析。最后，第五部分总结了本文的研究工作，并探讨了可能的未来研究方向。

在相关工作的部分，目前遥感图像去噪的研究取得了显著进展，主要涵盖基于先验知识的方法和基于深度学习的方法。以下内容将对这些去噪方法进行详细介绍。本文所采用的自监督去噪方法，主要依赖于噪声图像本身，而无需依赖干净的参考图像。这使得其在实际应用中更加灵活，特别是在获取干净图像对存在困难的情况下。基于深度学习的方法，如卷积神经网络（CNNs），已被广泛应用于图像去噪领域，这些方法能够有效提取图像先验知识，并通过训练建立高效的去噪模型。此外，一些方法不仅能够从噪声和干净图像对中学习去噪技术，还能够在单张噪声图像的基础上进行去噪学习，这进一步提升了去噪的效率和效果。然而，传统的图像去噪方法在处理光学遥感图像时仍存在一定的不足，主要体现在对复杂纹理特征的处理能力有限，以及在去噪过程中对细节信息的保留不够充分。

本文提出的WMANet方法，结合了自适应同级加权注意力机制和跳跃连接，通过多尺度特征提取的方式，显著提升了去噪性能。在训练过程中，该方法仅需单张噪声图像，通过自监督学习的方式对图像进行去噪处理。这种方法能够有效捕捉图像中的关键信息，并在去除噪声的同时保留图像的细节纹理特征。相比于传统的去噪方法，WMANet在高频率特征的保留方面表现出更优的性能，不仅在视觉感知质量上有所提升，也在客观评价指标上取得了更好的结果。此外，该方法在处理复杂纹理特征时，能够自适应地调整注意力焦点，使得图像中的关键元素得到更好的突出，从而提升去噪效果。

在实验部分，本文首先详细介绍了实验的具体实施细节和所使用的数据集。随后，展示了所提出去噪方法的性能表现。在本文中，所提出的方法在合成高斯噪声环境中进行了全面评估，并与现有的去噪技术进行了比较。此外，还进行了消融实验，以验证APAM模块和重建网络在去噪过程中的实用性。实验结果表明，该方法在不同噪声水平下的表现均优于现有方法，并在定量和定性评估中均取得了优异的成绩。通过这些实验，可以验证WMANet方法在处理复杂纹理特征和高频率细节方面的有效性。

在结论部分，本文总结了研究工作的主要成果，并展望了未来的研究方向。遥感图像去噪在图像处理和计算机视觉中具有核心地位。本文提出的自监督去噪网络WMANet，专为处理遥感图像的复杂纹理特征而设计，其基于加权多适应特征注意力机制，通过自适应同级加权注意力模块和跳跃连接的结合，显著提升了去噪性能。该网络能够有效重建受噪声干扰的遥感图像，同时在去除噪声的过程中更好地保留了图像的细节纹理特征。未来的研究可以进一步探索该方法在不同噪声类型和图像分辨率下的适用性，并尝试将其应用于更广泛的遥感图像处理任务中。

在作者贡献部分，Haoyu Wang负责撰写原始草稿、可视化、验证、软件开发、方法设计、研究调查、数据整理、概念设计。Xueqin Wang负责监督、资源获取、研究调查和数据整理。Xu Lin负责资源获取和项目管理。Weifeng Liu负责撰写和编辑、监督、资源获取、项目管理以及资金获取。Dapeng Tao负责资源获取和概念设计。Baodi Liu负责撰写和编辑、撰写原始草稿等。这些作者在该研究中各司其职，共同完成了从理论设计到实验验证的全过程。

在竞争利益声明部分，作者声明他们没有已知的与本研究相关的财务利益或个人关系，这些关系可能会影响本文所报告的研究结果。在致谢部分，本文的研究工作得到了国家自然科学基金、山东省重点基础研究计划、山东省自然科学基金和青岛市自然科学基金的资助。这些资助为研究的顺利进行提供了必要的支持，使得本文能够在技术探索和实验验证方面取得突破。