Removing cloud shadows from ground-based solar imagery

这篇文章讨论了太空天气的研究和预测，需要分析显示太阳大气层结构的太阳图像。从地球上拍摄的图像可能会受到地球云层的干扰，从而阻碍太阳结构的检测。我们提出了一种基于U-Net架构的新方法，用于去除云层阴影，并将传统监督方法与条件GAN进行比较。我们使用两种不同的成像方式对我们的方法进行评估，使用真实图像和一个新的合成云数据集。通过图像质量指标（RMSE，PSNR，SSIM和FID）进行定量评估。我们证明了在不同的云类型和纹理上，与传统的云去除技术和稀疏编码基线相比，我们的方法取得了改进的结果。

本论文旨在解决太空天气预测中云层阴影对太阳图像分析的影响问题，提出了一种基于U-Net架构的新方法，并比较了传统监督学习和条件GAN的效果。

本论文的关键思路是使用U-Net架构进行云层阴影去除，并与传统方法和基于稀疏编码的方法进行比较，该方法在不同云层类型和纹理上表现出更好的效果。

论文使用了两种不同的成像模式，包括真实图像和合成云数据集，并通过图像质量指标（RMSE、PSNR、SSIM和FID）进行定量评估。论文的实验结果表明该方法相对于传统的云层去除技术和基于稀疏编码的基线方法有了显著的改进。

在相关研究方面，最近的研究包括： 1. Deep Learning-Based Cloud Detection for Remote Sensing Images 2. A New Cloud Detection Method Based on Deep Convolutional Neural Network and Improved Binaryzation