UnCRtainTS：光学卫星时间序列去云的不确定性量化
计算机视觉与模式识别
2023-04-13 v1 图像与视频处理
摘要
云和霾常遮挡光学卫星图像，阻碍对地球表面的连续密集监测。尽管现代深度学习方法可以隐式地学习忽略此类遮挡，但作为预处理的显式去云可实现人工解译，并允许在仅有少量标注时训练模型。去云具有挑战性，因为遮挡场景范围广泛——从透过霾部分可见的场景，到完全不透明的云覆盖。此外，将重建图像集成到下游应用中将极大受益于可信的质量评估。在本文中，我们引入 UnCRtainTS，一种结合新型基于注意力的架构与多元不确定性预测公式的多时相去云方法。这两个组件的结合在两个公开去云数据集的图像重建方面确立了新的 SOTA 性能。此外，我们展示了校准良好的预测不确定性如何实现重建精度的精确控制。
引用
@article{arxiv.2304.05464,
title = {UnCRtainTS: Uncertainty Quantification for Cloud Removal in Optical Satellite Time Series},
author = {Patrick Ebel and Vivien Sainte Fare Garnot and Michael Schmitt and Jan Dirk Wegner and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2304.05464},
year = {2023}
}