去除地面太阳图像中的云影
内容提要
本文提出了一种新型云去除模型UnCRtainTS，结合注意力机制和不确定性预测，提升了地球影像的质量。同时，研究介绍了ShadowRemovalNet和G2R-ShadowNet等深度学习方法，优化了阴影去除效果，适用于实时计算机视觉应用。
延伸解读
云去除与阴影去除：任务差异与模型选择
本文涉及云去除和阴影去除两类任务。云去除针对卫星影像中的云遮挡，UnCRtainTS利用注意力机制和不确定性预测提升重建质量；阴影去除针对自然图像中的阴影，ShadowRemovalNet等模型侧重实时性。读者需注意两者应用场景不同：云去除多用于遥感，阴影去除用于户外计算机视觉。选择模型时应根据任务类型和硬件条件决定。
实时阴影去除的硬件适配与效率权衡
ShadowRemovalNet专为资源受限硬件设计，强调高帧率、高效率与简洁性，适用于户外机器人和边缘计算等实时场景。而SP-Net、M-Net等方法虽在ISTD数据集上精度提升显著，但计算复杂度较高。实际部署时，若硬件资源有限且要求低延迟，可优先考虑ShadowRemovalNet；若追求更高去除质量且不计较计算成本，则可选择其他方法。
弱监督阴影去除：降低标注依赖的路径
G2R-ShadowNet通过阴影生成进行弱监督阴影去除，仅需阴影图像和对应阴影掩模训练，包含生成、去除和细化三个子网络，端到端训练后在ISTD和视频阴影去除数据集上取得竞争性结果。这种方法减少了对成对无阴影图像的依赖，为数据标注困难的实际应用提供了可行方案，但需注意其性能仍受阴影掩模质量影响。
Q&A
UnCRtainTS模型的主要特点是什么？
UnCRtainTS模型结合了注意力机制和不确定性预测，提升了地球影像的质量。
ShadowRemovalNet适用于哪些应用场景？
ShadowRemovalNet适用于资源受限的硬件，特别是实时计算机视觉应用，如户外机器人和边缘计算。
G2R-ShadowNet方法是如何进行阴影去除的？
G2R-ShadowNet通过阴影生成进行弱监督阴影去除，包含三个子网络，分别为阴影生成、阴影去除和细化。
SP-Net和M-Net在阴影去除中起什么作用？
SP-Net和M-Net用于预测阴影参数和阴影遮罩，优化了阴影去除效果。
UnCRtainTS在云去除数据集上的表现如何？
UnCRtainTS在两个公开的云去除数据集上取得了最新的图像重建技术实时性能。
本文提出的阴影去除方法相比现有方法有什么优势？
本文提出的阴影去除方法在ISTD数据集上测试表明，阴影区域的效果比现有方法提高了20%。
