面向卫星图像复原的零样本框架

卫星图像通常受到多种失真影响。不同因素会影响卫星图像质量，包括大气变化、地表反射率、太阳光照、观测几何等，限制了其在下游任务中的应用。在有监督网络中，配对数据集的可用性是强假设。因此，许多无监督算法被提出以解决该问题。这些方法利用图像形成模型合成生成大量退化图像数据集，随后以对抗损失训练神经网络以区分失真域与干净域的图像。然而，当在未必符合生成机制的真实图像上测试时，这些方法性能次优。并且它们需要大量训练数据，在仅少量图像可用时不适用。我们提出一种用于卫星图像复原的失真解耦与知识蒸馏框架以解决这些重要问题。我们的算法仅需两幅图像：待复原的失真卫星图像与一幅语义相似的参考图像。具体而言，我们首先提出一种失真解耦机制，使我们能利用解耦出的失真与参考图像生成具有不同失真程度的图像。接着我们提出使用知识蒸馏基于生成的图像对训练复原网络。最后，将失真图像送入复原网络得到最终输出。消融研究表明我们提出的机制成功解耦了失真。