نظرًا للطريقة الفريدة للحصول على صور الاستشعار عن بُعد، فإن عملية جمعها تتأثر بسهولة بالتشويش، مما يؤدي إلى تدهور خطير للمعلومات. ونظرًا لصعوبة الحصول على صور نظيفة ومشوشة لنفس المشهد في العالم الحقيقي، أصبح تنقية الصور الذاتية مجالًا بحثيًا شائعًا. ولكن بالنسبة لصور الاستشعار البعيدة ذات التعقيد الجزيئي، توجد مشاكل في فقدان التفاصيل وضبابية الخلفية في الطرق الحالية لإزالة التشويش. لحل هذه المشكلة، نقدم في هذه الورقة خوارزمية لتنقية صور الاستشعار الذاتية استنادًا إلى تعزيز الميزات وتعلم المقارنة، بما في ذلك فرع لتنقية التشويش وفرع للمقارنة. في فرع تنقية التشويش، صممنا أولا شبكة تنقية التشويش المشفرة بالتميز التي تعزز الميزات. نقدم وحدة استخراج الميزات الشاملة ووحدة استخراج الانتباه لاستخراج الميزات السطحية من مقاطع الطاقة المختلفة والميزات التفصيلية المحلية على التوالي. ثم نستخدم وحدة تعزيز الميزات الديناميكية لتوسيع الحقل الحسي لدمج معلومات الهيكل المكاني أكثر. وأخيرا، نستخدم العمليات الديناميكية التكيفية للمزج في وحدة إعادة البناء الصورة للحفاظ على تدفق المعلومات العميقة والسطحية. في فرع المقارنة، تستفيد هذه الخوارزمية من معلومات الصورة المشوشة باستخدام استراتيجية تعلم المقارنة لبناء تلك الخسائر الشعورية الجديدة وضاغط الخسارة وإجمالي تباين الخسارة لقياس نعومة الصورة المطهرة وقدرتها على الحفاظ على التفاصيل. تقلل بشكل فعال من ظاهرة ضبابية الخلفية. على وجه الخصوص، في مجموعات البيانات NWPU-RESISC45 وUC Merced Land Use، تحقق هذه الطريقة زيادة في نسبة الإشارة إلى الضوضاء المتوسطة من 1.47 إلى 4.34 dB ومن 2.06 إلى 4.95 dB وزيادة في تشابهية الهيكل من 2.3 ٪ إلى 11.8 ٪ ومن 2.6 ٪ إلى 11.5 ٪ مقارنة بطرق التنقية الأخرى في الضوضاء الغوسية. بالإضافة إلى ذلك، فإنها تحقق أيضًا نتائج تنقية مرضية على الصور الفعلية مثل الضوضاء بالتشتت والأشرطة والصور الفعلية.

remote sensing;image denoising;deep learning;self-supervised learning;autoencoder;contrastive learning;contrastive perception loss;detail preservation