结合 Swin Transformer 混合 U-Net 与 Watershed 损失的卫星图像去雾利用
计算机视觉与模式识别
2025-09-03 v1
摘要
卫星图像在各个领域发挥着关键作用；然而，大气干扰和雾霾会显著降低图像清晰度并降低信息提取的准确性。为了应对这些挑战，本文提出了一种结合 Swin Transformer 和 U-Net 的混合去雾框架，以平衡全局上下文学习与局部细节恢复，称为 SUFERNOBWA。所提出的网络在编码器和解码器中均采用了 SwinRRDB（一种基于 Swin Transformer 的残差中残差密集块）来有效提取特征。该模块实现了全局上下文信息与精细空间结构的联合学习，这对于卫星图像中的结构保持至关重要。此外，我们引入了一个结合了 L2 损失、引导损失和一种新颖的 watershed 损失的复合损失函数，增强了结构边界保持并确保了像素级精度。该架构能够在各种大气条件下实现稳健的去雾，同时在恢复的图像中保持结构一致性。实验结果表明，所提出的方法在 RICE 和 SateHaze1K 数据集上均优于 SOTA 模型。具体而言，在 RICE 数据集上，所提出的方法取得了 33.24 dB 的 PSNR 和 0.967 的 SSIM，相较于现有方法有显著提升。本研究为减轻卫星图像中的大气干扰提供了有效的解决方案，并突出了其在各种遥感应用中的潜在适用性。
引用
@article{arxiv.2509.00835,
title = {Satellite Image Utilization for Dehazing with Swin Transformer-Hybrid U-Net and Watershed loss},
author = {Jongwook Si and Sungyoung Kim},
journal= {arXiv preprint arXiv:2509.00835},
year = {2025}
}