面向地球科学图像的任务驱动由粗到细修复

地球科学图像的处理与识别具有广泛应用。现有研究大多假设所有图像清晰，侧重于理解高质量地球科学图像。然而，在许多实际情况下，地球科学图像在采集过程中可能包含遮挡。该问题实际上对应计算机视觉与多媒体中的图像修复问题。据我们所知，现有图像修复算法均致力于为更好视觉质量修复遮挡区域，它们对自然图像表现优异，但因忽略地球科学相关任务而对地球科学图像不够适用。本文旨在不改动当前已部署的基于深度学习的地球科学模型的前提下，同时实现更好地球科学任务性能与先进视觉质量来修复遮挡区域。鉴于地球科学图像上下文复杂，我们提出一种由粗到细编码器-解码器网络及由粗到细对抗上下文判别器来重建遮挡图像区域。由于地球科学图像数据有限，我们采用基于 MaskMix 的数据增强方法从有限地球科学图像数据中挖掘更多信息。在三个分别用于遥感场景识别、跨视角地理定位和语义分割任务的公开地球科学数据集上的实验结果表明了所提方法的有效性与准确性。