Из-за уникального способа получения дистанционных изображений процесс их сбора легко подвержен воздействию шумов, что приводит к серьезной деградации информации. В реальном мире сложно получить чистые и зашумленные изображения одной и той же сцены. Поэтому автономная очистка изображений стала популярным направлением исследований. Однако для сложных текстур дистанционных изображений текущие методы очистки имеют проблемы с потерей деталей и размытием заднего плана. Для решения этой проблемы в настоящей статье предлагается алгоритм автономной очистки дистанционных изображений на основе усиления признаков и контрастного обучения, включая ветвь очистки и ветвь контраста. В ветви очистки сначала разработана сверточная автоэнкодерная сеть для улучшения признаков. Она вводит модуль глобального извлечения признаков и модуль извлечения внимания, чтобы извлекать различные масштабы поверхностных контурных признаков и местных детальных признаков соответственно. Затем используется динамический модуль усиления признаков для расширения поля восприятия с целью объединения дополнительной информации о пространственной структуре. И, наконец, в модуле восстановления изображения используется динамическая адаптивная смешивание операторов для сохранения потока глубокой и поверхностной информации. В ветви контраста этот алгоритм полностью использует информацию о зашумленных изображениях, используя стратегию контрастного обучения для построения новых оценочных потерь и совместных потерь восстановления для измерения гладкости очищенных изображений и их способности сохранять детали, эффективно уменьшая явление размытого заднего плана. В частности, на наборах данных NWPU-RESISC45 и UC Merced Land Use, по сравнению с другими методами очистки, данный подход позволяет повысить среднюю относительную ошибку разброса для гауссовского шума на 1.47–4.34 и на 2.06–4.95 дБ, а также среднее структурное сходство на 2.3–11.8 и на 2.6–11.5 %.

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