Diffusion Enhancement for Cloud Removal in Ultra-Resolution Remote Sensing Imagery

本文提出了一种基于深度学习的云去除技术，旨在解决云层对光学遥感图像质量和有效性的影响。然而，现有的深度学习技术在准确重构图像的原始视觉真实性和详细语义内容方面遇到了困难。为了解决这个挑战，本文提出了数据和方法两方面的改进。在数据方面，建立了一个超高分辨率基准，名为CUHK云去除(CUHK-CR)，空间分辨率为0.5米。这个基准包含了丰富的细节纹理和多样的云覆盖，为设计和评估云去除模型提供了坚实的基础。从方法的角度来看，提出了一种新的扩散增强框架(Diffusion Enhancement，DE)来执行渐进的纹理细节恢复，从而减轻了训练难度并提高了推理精度。此外，开发了一个权重分配网络(WA)来动态调整特征融合的权重，从而进一步提高性能，特别是在超高分辨率图像生成的情况下。此外，采用粗到细的训练策略，有效地加快了训练收敛速度，同时减少了处理超高分辨率图像所需的计算复杂度。在新建立的CUHK-CR和现有的数据集(RICE)上进行了大量实验，结果表明，所提出的DE框架在感知质量和信号保真度方面优于现有的基于深度学习的方法。

本论文旨在解决光学遥感图像中云层对图像质量和效果的影响，并提出一种新的深度学习框架来进行云去除，以提高图像的视觉真实性和语义内容的详细性。

本文提出了一种基于扩散增强（DE）的云去除框架，通过进行渐进式纹理细节恢复来缓解训练难度，并进一步提高性能。同时，开发了一种权重分配（WA）网络来动态调整特征融合的权重，特别是在超分辨率图像生成的情况下进一步提高性能。此外，还采用了粗到细的训练策略来有效加快训练收敛速度。

本文建立了一个0.5m空间分辨率的超分辨率基准CUHK Cloud Removal（CUHK-CR），其中包含丰富的细节纹理和多样的云覆盖，为设计和评估CR模型提供了坚实的基础。通过在CUHK-CR和现有数据集上进行广泛的实验，表明所提出的DE框架在感知质量和信号保真度方面优于现有的DL-based方法。

近期的相关研究包括：1）基于深度学习的图像超分辨率重建；2）基于深度学习的遥感图像去云方法；3）基于图像处理的遥感图像去云方法。相关论文包括：1）《Deep Residual Learning for Image Super-Resolution》；2）《Deep Learning-Based Cloud Detection and Removal from Remote Sensing Images》；3）《A Novel Image-Based Method for Cloud Detection and Removal in Remote Sensing Imagery》。