论文页面 - GeoCR：从异构观测中学习通用云去除先验

来源：https://huggingface.co/papers/2609.32510

摘要

云去除方法通常针对特定数据集和输入配置进行专门化设计，限制了其在不同传感器、光谱波段和观测设置之间的复用。我们提出 GeoCR，一个通用模型，在单一网络中统一了基于纯 RGB 的云去除和基于多光谱的云去除，支持单时相或多时相的含云观测，并可选地加入 SAR 引导。为适配不同的光谱和传感域，我们扩展了预训练的 RGB 自编码器，为其添加紧凑的输入和输出模块，同时保持其编码器和解码器主干冻结。这种共享的潜空间接口使单个 flow transformer 能够联合建模干净的 RGB 与非 RGB 潜变量，条件设置为独立的含云观测流以及可选的 SAR token。通过在十个数据集的训练集上进行联合预训练（共包含 883,331 张无云目标图像），GeoCR 学到了覆盖这些异构配置的共享云去除先验。相同的预训练检查点可直接用于推理而无需针对特定数据集进行微调，并可通过低秩适配（LoRA）实现高效适配。我们在全波段和仅 RGB 两种设置下，将 GeoCR 与通用图像修复和云去除方法在各数据集的测试集上进行了对比评估。在全波段的 SEN12MS-CR 和 Sen2_MTC_New 以及仅 RGB 的 CUHK-CR2 上，GeoCR 取得了最优的 FID 和 DISTS，超越了现有模型，证明了一个可复用的生成模型在多样化设置中的有效性。

查看 arXiv 页面 · 查看 PDF · 项目页面 · GitHub2 · 添加到收藏

在你的 agent 中获取这篇论文：

hf papers read 2609.32510

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

引用本文的模型 1

JeonghyeokDo/GeoCR Image-to-Image • 更新于约 7 小时前 • 1 (https://huggingface.co/JeonghyeokDo/GeoCR)

引用本文的数据集 0

没有数据集链接到本文

在数据集 README.md 中引用 arxiv.org/abs/2609.32510 即可将其链接到本页面。

引用本文的 Spaces 0

没有 Space 链接到本文

在 Space README.md 中引用 arxiv.org/abs/2609.32510 即可将其链接到本页面。

包含本文的收藏 0

没有收藏包含本文

将本文添加到收藏即可将其链接到本页面。