论文页面 - 面向解释的云移除：基于观测锚定残差流与地理上下文对齐

来源：https://huggingface.co/papers/2607.02471 发表于 7月2日

·

提交者 https://huggingface.co/wzy6055

WZY (https://huggingface.co/wzy6055) 发表于 7月6日

摘要

地理锚定云移除框架通过将物理基础的残差逆推与视觉基础模型的语义流形约束相结合，解决了云移除中的语义漂移问题。

云移除（https://huggingface.co/papers?q=Cloud%20removal）（CR）是光学遥感的基石，是可靠的下游解释任务（如语义分割和变化检测）的前提。然而，现有的CR方法往往优先考虑视觉真实性，而忽略其对后续分析任务的影响，导致语义漂移（https://huggingface.co/papers?q=semantic%20drift）和下游性能下降。为解决此问题，我们提出地理锚定云移除（https://huggingface.co/papers?q=Cloud%20Removal）（GACR），这是一个统一框架，同时确保忠实重建和鲁棒可解释性。其核心是观测锚定残差流（https://huggingface.co/papers?q=Observation-Anchored%20Residual%20Flow）（OAR-Flow），它将CR重新定义为物理基础的残差逆推过程（https://huggingface.co/papers?q=residual%20inversion%20process）。通过将生成轨迹锚定到含云观测而非纯噪声，OAR-Flow实现了快速、稳定且忠实的重建。为进一步保留下游解释所需的关键语义结构，GACR集成了地理上下文先验对齐（https://huggingface.co/papers?q=Geo-Contextual%20Prior%20Alignment）（GCPA），将重建约束在由视觉基础模型（https://huggingface.co/papers?q=Vision%20Foundation%20Model）（VFM）诱导的语义流形（https://huggingface.co/papers?q=semantic%20manifold）内。因此，GACR严格保持了复杂景观的空间语义完整性（https://huggingface.co/papers?q=spatial-semantic%20integrity）。在六个CR数据集和十二个下游任务（https://huggingface.co/papers?q=downstream%20tasks）上的大量实验表明，GACR在产生更优重建质量的同时，持续提升下游任务精度。代码已开源在 https://github.com/wzy6055/GACR。

查看 arXiv 页面（https://arxiv.org/abs/2607.02471）查看 PDF（https://arxiv.org/pdf/2607.02471）GitHub 0（https://github.com/wzy6055/GACR）加入收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.02471）

在你的代理中获取此论文：

hf papers read 2607.02471

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.02471，以便从此页面链接。

引用此论文的数据集 0

没有数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2607.02471，以便从此页面链接。

引用此论文的 Space 0

没有 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.02471，以便从此页面链接。

包含此论文的合集 0

没有合集包含此论文

请将此论文添加到一个合集（https://huggingface.co/new-collection）中，以便从此页面链接。