基于对比学习的高辐射分辨率遥感图像动态范围压缩方法

为解决高辐射分辨率遥感图像(HRRI)动态范围压缩(DRC)中存在的色彩失真和视觉伪影问题，研究人员提出了一种基于对比学习的无监督图像转换模型。该方法创新性地引入热力学有限差分残差模块和多粒度对比损失函数，有效解决了传统色调映射(Tone Mapping)方法在遥感图像处理中的局限性。实验表明，该方法在自建数据集(JL1-DRC/GF7-DRC/GF2-DRC)上表现优异，适用于下游任务，相关代码已开源。

　　

在遥感技术飞速发展的今天，高辐射分辨率图像(HRRI)的量化位数普遍超过10比特，这些"数据富矿"虽然蕴含着丰富的色彩和空间信息，却给实际应用带来了甜蜜的烦恼——普通8比特显示器难以直接呈现这些"高动态范围"图像，就像试图用普通相框装裱巨幅油画般力不从心。更棘手的是，当前主流的遥感产品生成、目标检测(Yu et al., 2025)和场景分类(Shinoda et al., 2023)等深度学习任务，都建立在8比特标准辐射分辨率图像(SRRI)的基础上。这种"数据鸿沟"使得动态范围压缩(DRC)成为遥感图像处理中不可或缺的"翻译官"。

传统色调映射(Tone Mapping)操作者虽然能完成这项转换工作，但就像需要反复调试的老式收音机，必须根据场景特点手动调整大量参数，稍有不慎就会导致对比度丢失或细节缺失(Cao et al., 2024)。更令人头疼的是，现有基于深度神经网络(DNN)的色调映射方法，在处理遥感图像时常常出现"水土不服"——或是产生视觉伪影，或是造成色彩失真。究其原因，一方面是由于数据异质性：普通高动态范围(HDR)图像记录的是场景的相对亮度，而遥感图像的数值则代表数字量化值(DN)；另一方面则是缺乏对遥感图像先验特征的有效利用。

来自中国的研究团队另辟蹊径，将动态范围压缩过程形象地比喻为"封闭热场中的粒子运动"，创新性地开发出基于对比学习的解决方案。该方法包含三大核心技术：首先借鉴热力学差分方程，设计了三阶有限差分残差模块，就像给模型装上了"物理定律导航仪"；其次针对现有对比损失注意力范围局限的问题，开发了同时作用于图像块(Patch)和语义层的多粒度对比损失；更巧妙的是，基于动态范围压缩前后直方图形状的相似性特征，引入高斯分布估计概率密度函数，构建了直方图形状上下文相似性损失。

研究团队在吉林一号(JL1)、高分七号(GF7)和高分二号(GF2)等国产卫星数据构建的数据集上进行了系统验证。结果显示，相较于传统方法，新模型在保持图像细节和色彩真实性方面表现突出，就像给遥感图像配上了"智能调色盘"。特别值得关注的是，该方法采用无监督学习策略，成功从非配对数据中学习到像素级映射关系，突破了现有图像翻译方法在非结构性特征转换方面的局限。

技术方法方面，研究主要采用生成对抗网络框架，通过热力学启发的残差模块进行特征编码，结合多粒度对比损失(包含Patch级和语义级)和直方图形状上下文相似性损失进行优化。实验数据来自中国内蒙古通辽、辽宁朝阳和阜新等地的卫星影像，构建了JL1-DRC、GF7-DRC和GF2-DRC三个数据集。

研究结果部分显示：

1. 问题定义方面，将传统算法抽象为I_SRRI(x')=T(I_HRRI(x),θ)的映射关系，通过自动学习替代人工参数调整；
2. 模块设计上，热力学有限差分残差模块有效提升了特征提取能力，实验证明其PSNR指标提升约15%；
3. 损失函数方面，多粒度对比损失使注意力范围扩大3倍，直方图约束则使色彩失真率降低22%；
4. 下游任务测试表明，经该方法处理的图像在目标检测任务中mAP提升7.3%，验证了其实用价值。

结论与讨论部分强调，这项工作填补了高辐射分辨率遥感图像动态范围压缩方法的研究空白。通过将物理先验知识与深度学习相结合，不仅解决了传统方法的自动化难题，还克服了现有色调映射技术的细节丢失缺陷。特别是提出的热力学建模思路，为图像处理领域提供了新的跨学科研究视角。研究获得国家自然科学基金(42071428)和辽宁省教育厅基础科研项目(L1212410147065)支持，相关代码已在GitHub开源，为后续研究奠定了重要基础。