遥感图像去雾：进展、挑战与前景的系统综述
计算机视觉与模式识别
2026-03-24 v1
摘要
遥感图像（RSIs）常受烟雾、雾霾和薄云的影响，导致表面反射率受遮挡，阻碍后续应用。本文首次提出遥感图像去雾的系统性和统一综述，整合了方法的演化过程、基准评估与物理一致性分析。我们将现有方法归纳为三个阶段的递进：从手工制作的物理先验，到数据驱动的深度恢复，再到最终的混合物理智能生成，并总结了超过30个代表性方法，涵盖CNN、GAN、Transformer和扩散模型。为提供可靠的实证参考，我们在五个公开数据集上进行大规模定量实验，采用12个评估指标，包括PSNR、SSIM、CIEDE、LPIPS、FID、SAM、ERGAS、UIQI、QNR、NIQE和HIST。跨域比较表明，近期基于Transformer和扩散模型的方法在平均水平上提升SSIM 12%~18%，并将感知误差降低20%~35%；而混合物理导向的设计实现了更高的辐射计稳定性。专门的物理辐射一致性实验进一步表明，具有显式传输或大气光约束的模型可将颜色偏差降低最高达27%。基于上述发现，我们总结了开放性挑战：动态大气建模、多模态融合、轻量化部署、数据稀缺以及联合退化，并勾勒了未来可信、可控、高效（TCE）去雾系统的有前景的研究方向。所有综述的资源，包括源代码、基准数据集、评估指标以及复现配置，均已公开于 https://github.com/VisionVerse/RemoteSensing-Restoration-Survey。
关键词
引用
@article{arxiv.2603.20289,
title = {Remote Sensing Image Dehazing: A Systematic Review of Progress, Challenges, and Prospects},
author = {Heng Zhou and Xiaoxiong Liu and Zhenxi Zhang and Jieheng Yun and Chengyang Li and Yunchu Yang and Dongyi Xia and Chunna Tian and Xiao-Jun Wu},
journal= {arXiv preprint arXiv:2603.20289},
year = {2026}
}
备注
82 pages, 23 figures,