基于GAN与空间注意力的遥感影像去云技术详解

1. 遥感影像去云技术背景解析

遥感影像中的云层遮挡问题一直是影响数据可用性的主要瓶颈。在光学遥感领域，云覆盖导致的地表信息丢失可能高达30%-70%，严重制约了遥感数据在农业监测、灾害评估、城市规划等关键领域的应用价值。传统去云方法主要分为三大类：基于时间序列的多时相补偿、基于光谱特征的统计重建，以及基于物理模型的辐射校正。然而这些方法在应对厚云层、动态云团时往往表现乏力，重建后的影像常出现纹理模糊、光谱失真等问题。

2014年生成对抗网络(GAN)的横空出世，为图像修复领域带来了革命性突破。与传统方法相比，GAN通过生成器与判别器的对抗训练，能够学习到更接近真实数据分布的修复模式。2017年提出的空间注意力机制进一步提升了模型对局部特征的捕捉能力，这恰好契合了遥感影像中云层分布的空间异质性特点。我们团队在分析现有文献时发现，将空间注意力模块嵌入GAN框架，理论上可以实现：1) 对云区边界的精准定位 2) 非云区域的特征保持 3) 多尺度上下文信息的融合。

2. 论文核心架构与技术路线

2.1 生成器网络设计细节

生成器采用U-Net++改进架构，其核心创新点在于：

1. 多级跳跃连接：在编码器（下采样路径）与解码器（上采样路径）之间建立稠密连接，促进不同尺度特征的融合。具体实现时，我们在每个下采样阶段后接入3×3卷积+批归一化+LeakyReLU(0.2)模块，特征图通道数依次设置为64-128-256-512。

2. 空间注意力模块(SA)：在跳跃连接处嵌入注意力门控机制，其数学表达为：

   code复制Att = σ(Conv1×1(Concat[F_enc, F_dec])))
   F_out = Att ⊙ F_enc + (1-Att) ⊙ F_dec
   

   其中σ表示sigmoid激活，⊙为逐元素乘法。实测表明，该模块可使云区检测准确率提升约18%。

3. 残差稠密块(RDB)：在解码器的每个分辨率级别引入包含4个卷积层的稠密连接块，通过特征重用缓解梯度消失问题。每个RDB的输出会与所有前层特征进行通道拼接，最终通过1×1卷积降维。

2.2 判别器网络优化策略

采用马尔可夫判别器(PatchGAN)结构，其优势在于：

• 70×70的感知野能在局部patch级别判断真实性
• 使用谱归