ACA-Net：面向遥感图像厚云去除的自适应云感知网络——动态频率-时序融合机制在遥感图像复原中的突破

本文提出ACA-Net（Adaptive Cloud-Aware Network），通过自适应注意力机制（Self-Attention Adaptive K）、高低频特征调制模块（Adaptive High-Low Frequency）和时序提示增强模块（Adaptive Temporal Prompt），实现多时序遥感影像的动态厚云去除。在云遮蔽率差异显著的情况下，该模型在PSNR和SSIM指标上分别提升34.2%和13.0%，参数量减少89.4%，为遥感图像在环境监测与资源管理中的应用提供高效解决方案。

　　

Highlight

实验结果表明，所提出方法在准确性与效率方面均优于当前最先进方法（图1）。综上所述，本文的主要贡献如下：

• •
  自适应厚云去除动态机制
  我们设计了ACA-Net，采用自适应云感知框架，能够根据多时序图像中变化的云遮蔽比例动态调整特征提取与融合策略。
• •
  频率自适应增强机制
  为解决频率域信息被忽视的问题，我们引入了自适应高低频模块，整合可学习的频率滤波器，以增强云去除中的细节恢复与结构一致性。
• •
  时序感知融合机制
  为改善时序信息利用不足的现状，我们提出了自适应时序提示模块（Adaptive Temporal Prompt），该模块依据云遮蔽比例跨时序调制提示强度，从而提升时序融合一致性与纹理保持能力。
• •
  全面评估与实际价值
  在多时序Landsat数据集上进行的大量实验表明，ACA-Net在五种代表性先进模型中均表现优异，相较于最新的基于扩散模型的云去除模型（DiffCR），PSNR提升34.2%，SSIM提升13.0%，同时所需参数与计算量（FLOPs）更少，使其非常适用于实际遥感应用。

通过自注意力自适应K模块、自适应高低频模块与自适应时序提示模块的协同策略，本方法显著提升了云去除任务的重建性能。该方法在不同云遮蔽比例下的多时序遥感图像中均实现了显著改进，为云去除任务提供了更有效的解决方案。

Conclusion

本文提出了一个用于遥感云去除的深度学习框架ACA-Net，该框架整合了频率感知编码、自适应时序提示与选择性注意力优化。自适应高低频模块通过高低频分解增强光谱保真度，而自适应时序提示模块引入时序先验以引导跨时序融合。此外，自注意力自适应K机制通过选择性聚焦进一步优化注意力分布，提升了模型在复杂云遮蔽条件下的鲁棒性与重建质量。