Suppression des nuages en télédétection à l’aide de modèles de diffusion basés sur la séquence

première_pageparamètresCommander des réimpressions d’articlesAccès ouvert ArticleSuppression des nuages dans l’imagerie par télédétection à l’aide de modèles de diffusion basés sur une séquencepar Xiaohu Zhao[ORCID] et Kebin Jia [ORCID]Faculté de technologie de l’information, Université de technologie de Pékin, Pékin 100124, ChineAuteur à qui correspondre. Remote Sens. 2023, 15(11), 2861 ; https://doi.org/10.3390/rs15112861Reçu : 11 avril 2023 / Révisé : 24 mai 2023 / Accepté : 26 mai 2023 / Publié : 31 mai 2023(Cet article fait partie de la Section Spéciale « Avancées en apprentissage automatique pour la télédétection afin d’améliorer la généralisation spatio-temporelle »)Télécharger Parcourir les figuresRapports d’évaluation Versions Notes RésuméLa majorité des observations optiques recueillies par des satellites optiques embarqués sont altérées par des nuages ou des brumes, ce qui limite leurs applications ultérieures en télédétection terrestre ; il est donc essentiel de développer une méthode optimale pour la suppression des nuages. Dans cet article, nous proposons un nouveau modèle génératif probabiliste, nommé modèles de diffusion basés sur une séquence (SeqDMs), dédié à la tâche de suppression des nuages dans le domaine de la télédétection. La méthode proposée repose sur deux composants principaux : des modèles de diffusion multi-modaux (MmDMs) et une stratégie d’apprentissage et d’inférence basée sur une séquence (SeqTIS). Plus précisément, les MmDMs constituent un nouveau modèle de diffusion qui reconstruit le processus inverse des modèles probabilistes de diffusion débruitants (DDPMs), en intégrant des informations supplémentaires provenant de modalités auxiliaires (par exemple, des images radar à ouverture synthétique, robustes aux perturbations causées par les nuages), afin d’améliorer l’apprentissage de la distribution de la modality principale (à savoir, les images satellitaires optiques). Pour tenir compte des informations temporelles, la stratégie SeqTIS est conçue pour intégrer efficacement les informations temporelles sur des séquences d’entrée de longueur arbitraire, tant pour la modality principale que pour la modality auxiliaire, sans nécessiter de réentraînement du modèle. Grâce à l’association des MmDMs et de la SeqTIS, les SeqDMs offrent une grande flexibilité pour traiter des séquences d’entrée de longueur arbitraire, permettant d’obtenir des améliorations significatives avec seulement un ou deux échantillons d’entrée supplémentaires, tout en réduisant considérablement le coût temporel lié au réentraînement du modèle. Nous évaluons notre méthode sur un jeu de données public réel, SEN12MS-CR-TS, dédié à la tâche de suppression des nuages multi-modale et multi-temporelle. Nos expériences approfondies et nos études d’ablation démontrent l’infériorité de la méthode proposée en termes de qualité des échantillons reconstruits, ainsi que sa supériorité en matière de flexibilité pour gérer des séquences d’entrée de longueur arbitraire par rapport à plusieurs approches de pointe en suppression des nuages.