面向航天AI的卫星图像修复：轻量化学习方法
计算机视觉与模式识别
2026-04-30 v2 人工智能
摘要
卫星图像修复旨在通过补偿成像系统和获取条件引入的退化（如噪声和模糊）来提高图像质量。作为基本的预处理步骤，修复直接影响地面产品生成和新兴的航天AI应用。传统基于顺序物理模型的修复流程计算密集且速度慢，难以适用于航天环境。本文提出了 ConvBEERS（Convolutional Board-ready Embedded and Efficient Restoration for Space，即空间卷积板载嵌入式高效修复模型），用于探讨轻量化非生成残差卷积网络（基于仿真卫星数据训练）是否能在多种运行条件下匹配或超越传统地面处理修复流水线。实验在仿真数据集和真实的帕莱德斯-HR 图像上进行，结果表明该方法在图像质量方面实现了竞争性能，PSNR 提升了 +6.9dB。在下游目标检测任务上，修复显著提升了性能，mAP@50 提升了最高 +5.1%。此外，在 Xilinx Versal VCK190 FPGA 上的成功部署验证了其在航天处理中的实际可行性，传统流水线延迟降低了约 41 倍。这些结果表明，轻量化卷积神经网络在满足太空系统实际约束条件的同时，仍能实现竞争性的修复质量。
引用
@article{arxiv.2604.12807,
title = {Rethinking Satellite Image Restoration for Onboard AI: A Lightweight Learning-Based Approach},
author = {Adrien Dorise and Marjorie Bellizzi and Omar Hlimi},
journal= {arXiv preprint arXiv:2604.12807},
year = {2026}
}
备注
Accepted at AI4SPACE@CVPR conference