SpAGAN空间注意力网络在遥感影像去云中的应用

1. 论文背景与研究意义

光学遥感影像在现代社会中的应用已经渗透到国防安全、环境监测、气象预报等诸多关键领域。这类影像凭借其高空间分辨率和稳定的几何特性，成为地表观测不可替代的数据源。然而在实际应用中，云层覆盖始终是困扰遥感影像可用性的主要障碍。

根据云层厚度和特性的不同，我们可以将遥感影像中的云污染分为三类典型情况：

• 薄云覆盖：云层较薄，地表特征仍部分可见，但色彩和细节严重衰减
• 厚云覆盖：完全不透明的云层，地表信息完全丢失
• 云阴影：由厚云遮挡阳光形成，常伴随几何形变

传统去云方法如雾霾优化变换(HOT)和暗通道先验(DCP)主要依赖物理模型和统计先验，在处理复杂云况时往往力不从心。而深度学习特别是生成对抗网络(GAN)的出现，为这一领域带来了新的解决思路。本文提出的SpAGAN模型创新性地引入了空间注意力机制，通过模拟人类视觉系统的选择性注意特性，显著提升了去云效果。

2. 技术原理深度解析

2.1 生成对抗网络基础架构

GAN的核心思想是通过生成器(Generator)和判别器(Discriminator)的对抗训练达到纳什均衡。在去云任务中：

• 生成器G：学习从有云图像X到无云图像Y的映射
• 判别器D：区分生成图像G(X)与真实无云图像Y

目标函数可表示为：

code复制min_G max_D V(D,G) = E[logD(Y)] + E[log(1-D(G(X)))]

2.2 空间注意力机制创新

SpAGAN的核心创新在于其空间注意力模块(SAM)，该模块通过以下步骤实现注意力聚焦：

1. 特征提取：通过卷积层获取多尺度特征
2. 注意力生成：使用双向IRNN进行四向(上下左右)信息传播
3. 注意力应用：生成注意力热图指导特征重建

关键公式：

code复制A = σ(IRNN(Conv(X)))
X' = A ⊙ X

其中σ表示sigmoid激活，⊙为逐元素乘法。

2.3 损失函数设计

SpAGAN采用三重损失监督：

1. 对抗损失：确保生成图像的分布真实性
2. L1重建损失：保持像素级准确性
3. 注意力监督损失：引导注意力图聚焦云区

具体形式为：

code复制L_total = λ_advL_adv + λ_recL_rec + λ_attL_att

实验表