基于DNN的三维云检索：应对可变太阳光照与多视角星载成像

气候研究通常依赖遥感图像来检索二维云属性图。为了推进体分析，我们专注于利用多视角遥感数据恢复浅云的非均匀三维消光系数场。气候研究需要大规模全球统计数据。为实现可扩展的数据处理，先前的深度神经网络（DNN）可以在星载遥感下行速率下进行推理。然而，先前的方法仅限于固定的太阳光照方向。在本工作中，我们引入了首个可扩展的基于DNN的三维云检索系统，能够适应不同的相机姿态和太阳方向。通过将多视角云强度图像与相机姿态和太阳方向数据相结合，我们在恢复方面实现了更大的灵活性。DNN的训练通过一种新颖的两阶段方案进行，以解决该问题中大量的自由度。与先前最先进方法相比，我们的方法表现出显著改进，特别是在处理太阳天顶角变化方面。