En raison de la méthode unique d'acquisition d'images de télédétection, le processus de collecte est facilement perturbé par du bruit, ce qui entraîne une dégradation sérieuse de l'information. Dans le monde réel, il est difficile d'obtenir des paires d'images propres et bruitées pour une même scène. Par conséquent, la débruitage autonome est devenu un domaine de recherche populaire. Cependant, pour les images de télédétection à texture complexe, les méthodes actuelles de débruitage présentent des problèmes de perte de détails et de flou de l'arrière-plan. Pour résoudre ce problème, cet article propose un algorithme de débruitage autonome d'images de télédétection basé sur l'amélioration des caractéristiques et l'apprentissage de contraste, comprenant une branche de débruitage et une branche de contraste. Dans la branche de débruitage, un réseau convolutif auto-encodeur améliorant les caractéristiques est d'abord conçu. Il introduit un module d'extraction de caractéristiques globales et un module d'extraction d'attention pour extraire respectivement des caractéristiques de contours de surface à différentes échelles et des caractéristiques détaillées locales. Ensuite, un module dynamique d'amélioration des caractéristiques est utilisé pour étendre le champ de vision afin de fusionner plus d'informations sur la structure spatiale. Enfin, dans le module de reconstruction d'image, une opération de mélange dynamique adaptative est utilisée pour conserver le flux d'informations profondes et superficielles. Dans la branche de contraste, cet algorithme exploite pleinement les informations contenues dans les images bruitées en utilisant une stratégie d'apprentissage contrasté pour construire de nouvelles pertes perceptuelles et des pertes de reconstruction conjointe pour mesurer la douceur de l'image débruitée et sa capacité à conserver les détails, réduisant efficacement le phénomène de flou d'arrière-plan. En particulier, sur les ensembles de données NWPU-RESISC45 et UC Merced Land Use, par rapport à d'autres méthodes de débruitage, cette méthode permet d'augmenter le rapport signal/bruit moyen de 1,47 à 4,34 dB et de 2,06 à 4,95 dB, ainsi que la similarité structurale moyenne de 2,3% à 11,8% et de 2,6% à 11,5%.

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