7、多传感器遥感影像云填补与风格迁移技术

多传感器遥感影像云填补与风格迁移技术

1. 引言

自20世纪50年代以来，遥感影像在作物监测、灾害测绘、核扩散监测和城市规划等众多领域，一直是重要的研究材料和信息来源。然而，由于任何时候地球表面超过50%被云层覆盖，云污染像素会严重影响遥感影像下游任务（如分割、识别和分类）的性能。

好在遥感技术的进步和卫星数据收集量的增加，显著提高了多传感器影像的空间和时间密度。多传感器影像在云填补方面具有优势，因为单颗卫星的重访周期长（超过15天），难以找到时间相近的影像，而使用多颗卫星的影像（即多传感器），找到时间相近（少于一周）的无云影像的机会显著增加。

多传感器云填补问题通常被表述为一个图像恢复任务，涉及目标影像以及前后的无云影像。一般假设已经有了必要的云掩码，这些掩码有助于将填补工作集中在有云区域。由于计算和内存的限制，深度学习方法通常处理小尺寸图像（如384×384），而典型的遥感影像尺寸很大（如Landsat超过7000×7000，Sentinel超过10000×10000），因此需要将大影像分割成小的图像块进行处理。

目前基于深度学习的多传感器云填补方法虽有显著改进，但仍存在局限性。这些方法能较好地保留填补区域的空间结构，但无法有效保留目标影像的像素级光谱特性，导致填补区域的颜色风格（光谱值）与目标影像不一致。为解决这一问题，本文提出了一种新的深度学习框架，旨在使填补的有云区域与目标影像相协调。

2. 相关工作

2.1 多传感器云填补

以往遥感云填补问题主要在单传感器或单影像设置下进行研究。虽然这些工作在云填补任务上取得了显著进展，但单传感器设置的实际应用场景有限，因为与多传感器设置相比，其输