Debido al único método de adquisición de imágenes de teledetección, el proceso de recolección es fácilmente perturbado por ruido, lo que conduce a una degradación grave de la información. En el mundo real, es difícil obtener pares de imágenes limpias y con ruido para una misma escena. Por lo tanto, el desruido autónomo se ha convertido en un área de investigación popular. Sin embargo, para las imágenes de teledetección con texturas complejas, los métodos actuales de desruido presentan problemas de pérdida de detalles y desenfoque del fondo. Para resolver este problema, este artículo propone un algoritmo de desruido autónomo de imágenes de teledetección basado en la mejora de las características y el aprendizaje de contraste, que incluye una rama de desruido y una rama de contraste. En la rama de desruido, se diseña primero una red convolucional auto-encoder para mejorar las características. Introduce un módulo de extracción de características globales y un módulo de extracción de atención para extraer características de contornos superficiales a diferentes escalas y características detalladas locales respectivamente. Luego, se utiliza un módulo dinámico de mejora de características para ampliar el campo de visión para fusionar más información sobre la estructura espacial. Finalmente, en el módulo de reconstrucción de imagen, se utiliza una operación de mezcla dinámica adaptativa para conservar el flujo de información profunda y superficial. En la rama de contraste, este algoritmo aprovecha al máximo la información contenida en las imágenes con ruido utilizando una estrategia de aprendizaje contrastado para construir nuevas pérdidas perceptivas y pérdidas de reconstrucción conjunta para medir la suavidad de la imagen desruidizada y su capacidad para conservar los detalles, reduciendo eficazmente el fenómeno de desenfoque del fondo. En particular, en los conjuntos de datos NWPU-RESISC45 y UC Merced Land Use, en comparación con otros métodos de desruido, este enfoque permite aumentar la relación señal/ruido promedio de 1,47 a 4,34 dB y de 2,06 a 4,95 dB, así como la similitud estructural promedio de 2,3% a 11,8% y de 2,6% a 11,5%.

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