TerraCodec：压缩光学地球观测数据
计算机视觉与模式识别
2026-03-06 v3
摘要
地球观测（EO）卫星产生大规模的多光谱图像时间序列，给存储与传输带来严峻挑战。然而，已有的学习型 EO 压缩方法碎片化，且缺乏公开可用的大规模预训练编解码器。此外，先前的工作主要关注图像压缩，而 EO 视频编解码器和时间冗余性几乎未被探索。为此，我们引入 TerraCodec（TEC），一套在 Sentinel-2 EO 数据上预训练的学习型编解码器。TEC 包括高效的多光谱图像变体以及一种 Temporal Transformer 模型（TEC-TT），后者利用跨时间依赖性。为克服当今神经编解码器的固定比特率设定，我们提出了 Latent Repacking 方法，用于训练灵活比特率的 transformer 模型，能够在 varying rate-distortion settings 下运行。TerraCodec 在相当等图像质量下超越经典编解码器，实现 3-10 倍的压缩比。除压缩外，TEC-TT 还实现了零样本云层填充，在 AllClear 数据集上超越了基于 SOTA 方法。我们的结果确立了学习型编解码器作为地球观测的有前景的方向。我们的代码和模型已公开 availability at https://github.com/IBM/TerraCodec。
引用
@article{arxiv.2510.12670,
title = {TerraCodec: Compressing Optical Earth Observation Data},
author = {Julen Costa-Watanabe and Isabelle Wittmann and Benedikt Blumenstiel and Konrad Schindler},
journal= {arXiv preprint arXiv:2510.12670},
year = {2026}
}