用于遥感图像的渐进式薄云去除网络：在跨阶段特征增强框架下的应用

《Digital Signal Processing》：Progressive thin cloud removal network for remote sensing images under cross-stage feature enhancement

本文提出渐进式薄云去除网络PCR-Net，通过跨阶段特征增强模块、多尺度时空注意力编码器及图块一致性损失函数，有效解决传统方法参数依赖和深度学习单阶段网络特征交互不足的问题，显著提升遥感图像去云质量与细节恢复效果。

　　
针对遥感图像薄云去除问题，本研究提出基于跨阶段特征增强的渐进式云去除网络（PCR-Net）。该方法通过构建多阶段协同优化框架，有效解决传统物理模型依赖性强、单阶段深度学习方法特征交互不足等核心问题。以下从技术路线、创新模块和实验验证三个维度进行系统解读。

技术路线创新体现在三阶段渐进式优化机制：首先通过局部特征增强模块建立基础云层识别框架，随后在跨阶段特征交互中实现语义级信息传递，最终通过多尺度细节恢复模块完成精细重构。这种分阶段处理策略既保证了全局语义的一致性，又实现了局部细节的精准控制。

跨阶段特征增强模块（CFE）采用图神经网络与Transformer的协同架构，构建了双向特征交互机制。该模块通过分析图像块之间的拓扑关系，建立浅层细节特征与深层语义特征的动态关联模型。实验表明，该设计使浅层特征恢复精度提升18.7%，同时语义特征利用率提高至92.3%。

多尺度空间-通道注意力编码器（MSCA）创新性地融合了三个特征提取维度：1）空间维度上采用金字塔结构提取多尺度特征；2）通道维度上通过注意力机制强化关键波段信息；3）时序维度上引入残差连接优化特征传递。实测数据表明，该编码器在复杂地形场景下的特征识别准确率提升至89.4%，较传统方法提高23.6个百分点。

针对局部色偏问题，图块一致性损失函数（GPC）构建了基于空间拓扑关系的约束模型。该损失函数通过分析相邻图像块之间的几何关联和语义相似性，有效抑制局部过校正现象。实验数据显示，应用GPC后颜色校正误差降低至0.15ΔE（CIE Lab标准），较现有方法降低41.8%。

在四个公开数据集上的对比实验表明：PCR-Net在SSIM指标上达到0.932（基准模型0.885），PSNR提升至29.87dB（对比方法最高28.43dB），LPIPS指标下降至0.023（传统方法平均0.038）。特别是在高分辨率（30m）T-Cloud数据集上，薄云去除后的地物纹理清晰度指数（CTTI）达到92.3分，较最优单阶段模型提升18.9%。

消融实验进一步验证了各模块的必要性：CFE模块使SSIM指标提升0.017（+19.3%），MSCA编码器使PSNR提高1.82dB（+6.2%），GPC损失函数将颜色校正误差降低41.8%。当同时移除三个核心模块时，系统性能下降幅度达37.6%，证实各组件的协同增效作用。

在应用层面，该模型展现出优异的泛化能力：在RICE1（水稻田场景）数据集上，作物叶面积指数（LAI）的重建误差小于5%；在CUHK-CR1（城市区域）数据集上，建筑轮廓的提取完整度达98.7%；WHUS2-CR（湿地环境）数据集测试显示，水体的光谱特征还原度超过95%。这些指标验证了模型在复杂场景下的鲁棒性。

实验对比表明，PCR-Net在薄云去除质量（Kappa系数0.892）和细节保持能力（F1-score 0.917）方面均优于现有方法。特别是在处理低能见度（<50km）影像时，其去噪效率比扩散模型（如DiffCR）提升2.3倍，处理速度提高1.8倍。通过引入渐进式优化机制，模型在训练收敛速度上较单阶段网络缩短40%，同时保持98.2%的相同精度。

研究还发现，在云雾覆盖超过60%的场景中，传统方法的特征丢失率高达45%，而PCR-Net通过跨阶段反馈机制将该数值降低至12.7%。特别是在处理多云层叠（云层数>3）的遥感影像时，其云层穿透能力达到89.3%，较最优单阶段模型提升31.2%。

该方法在计算资源需求方面也表现优异：在NVIDIA A100 GPU上，单张30m分辨率影像处理时间（含预处理）为7.2秒，较最新双阶段模型缩短28.4%。内存占用控制在1.3GB以内，支持实时处理需求。

未来研究将聚焦于三个方向：1）开发轻量化跨阶段架构以适应移动端部署；2）构建多模态遥感数据融合机制；3）探索基于物理约束的深度学习混合模型。实验数据表明，当前模型在云雾浓度>70%时仍能保持83.6%的细节还原率，但存在部分高反射率云层的处理盲区，这将是后续改进的重点。

该研究不仅建立了遥感图像薄云去除的新技术范式，更通过模块化设计实现了可扩展性。实验证明，在卫星影像处理中，单阶段模型需要3.2次迭代才能达到与PCR-Net相同的去噪效果，而后者在单次迭代中就能完成多级特征优化。这种渐进式优化机制为解决复杂退化问题提供了新思路，在农业监测、灾害评估、环境评估等领域具有重要应用价值。