｛“状态”：“正常”，“消息类型”：“工作”，“消息版本”：“1.0.0”，“消息”：｛“索引”：｛“日期部分”：[[2024,6,18]，“日期时间”：“2024-06-18T13:13:06Z”，“时间戳”：1718716386649｝，“引用计数”：50，“发布者”：“MDPI AG”，“发布”：“6”，“许可证”：[｛“开始”：｛“日期部分”：[[2021,3,12]]，“日期时间”：“2021-03-12T00:00:00Z”，“时间戳”：1615507200000}中，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“中国自然科学基金会”，“DOI-asserted-by”：“publisher”，“award”：[“61701478”]}]，”content-domain“：{”domain“:[]，”crossmark-restriction“：false}，”short集装箱装载机”：[“遥感”]，“摘要”：“当使用卫星图像进行地面观测时，云是最严重的干扰之一。薄云的半透明特性为基于单个卫星图像的2D地面场景重建提供了可能性。在本文中，我们提出了一个有效的瘦云删除框架，包括两个方面：网络架构和培训策略。针对网络体系结构，提出了一种YUV颜色空间中的Wasserstein生成性对抗网络（WGAN），称为YUV-GAN。与RGB颜色空间中的大多数现有方法不同，我们的方法通过独立学习亮度和色度分量来执行端到端的薄云去除，这在减少不可恢复的亮像素和暗像素的数量方面是有效的。为了保留更详细的特征，生成器采用了无下采样和上采样层的残差编码\u2013解码网络，这有效地与残差鉴别器竞争，提高了场景识别的准确性。对于训练策略，采用了基于转移学习的方法。不是使用模拟或稀缺的实际数据来训练深层网络，而是首先使用足够的模拟对来训练YUV-GAN。然后，使用实数对优化预处理卷积层，以鼓励模型适用于真实的云图像。RICE1和Sentinel-2A数据集的定性和定量结果证实，与其他方法相比，我们的YUV-GAN实现了最先进的性能。此外，我们的方法将YUV-GAN与基于转移学习的训练策略相结合，在训练数据稀缺的情况下可以获得更好的性能<\/jats:p>“，”DOI“：”10.3390\/rs13061079“，”type“：”journal-article“，”created“：{”date-parts“：[2021,3,15]]，”date-time“：”2021-03-15T03:52:06Z“，”timestamp“：1615780326000}，”page“：10.3390“，“卷”：“13”，“作者”：[{“给定”：“薛”，“家族”：“文”，“序列”：“第一”，“从属关系”：[]}，{“ORCID”：“http://\/ORCID.org\/00000-0002-5041-3300”，“authenticated-ORCID”：false，“给定”:“宗绪”，“家庭”：“潘”，“顺序”：“附加”，“附属关系”：[]}，“隶属关系”：[]}，{“给定”：“嘉荫”，“family“：”Liu“，”sequence“：”additional“，”affiliation“：[]}]，”member“：”1968“，”published-online“：{”date-parts“：[[2021,3,12]]}，”reference“：[{”key“：”ref1“，”doi-asserted-by“：“publisher”，“doi”：“10.1016\/j.rse.2009.04.014”}，{“key”：“ref2”，“doi-assert-by”：“publiser”，”doi“：”10.1080\/01431160903 369642“}，{”key“：”ref3“，”doi-asserted-by“：”publisher“，”doi“：”10.1109 \/TGRS.2012.2227333“}，{“key”：“ref4”，“series-title”：“医学图像计算和计算机辅助干预国际会议”，“首页”：“234”，”article-title“：“U-net：生物医学图像分割的卷积网络”，“author”：“Ronneberger”，“year”：“2015”}，}“key:”ref5“doi-asserted-by”：“publisher”，“doi”：“10.1109\/TPMI.2016.2644615“｝，{“key”：“ref6”，“文章标题”：“重新思考用于语义图像分割的萎缩卷积”，“作者”：“Chen”，“年份”：“2017”，“期刊标题”：“arXiv”}，{“key”：“ref7”}，{“key”：“ref8”，“doi断言者”：“publisher”，“doi”：“10.1016\/j.rse.2019.03.039”}，{“key”：“ref9”，“doi断言者”：“publisher”，“doi”：”10.1016\/j.rse.2019.03.007“}，{“key”：“ref10”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.isprsjprs.2019.02.017”}，}“密钥”：“ref11”，“doi-asserte-by”：“publisher”，“DI:”10.1109\/TGRS.2019.2904868“}”，{（key）：“ref12”}、{“密钥“：”ref13“，”doi-assert-by“：”publisher“，”doi“：”10.1109\/TGRS.2014.2301415“}，{”key“：”ref14“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/36.964986“}，{”key“：”ref15“}、{”key“：“ref16”，“首页”：“2341”，“文章标题”：“使用暗通道去除单幅图像雾”，“卷”：“33”，“作者”：“何”，“年份”：“2010”，“期刊标题”：”IEEE Trans.Pattern Anal.Mach.Intell.“}”，{“key”：“ref17”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/S0034-4257（02）00034-2“}，{“键”：“参考18”，“doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.rse.2016.03.034“}，{”key“：”ref19“，”series-title“：”LARS Symposia“，”first page“：“159”，“article-title”：“The tasselled cap \u2014A graphic description of The spectroporal temporal development of agricultural crops as see by Landsat”，“author”：“Kauth”，”year“：”1976“}”，{“key”：“ref20”，“doi-assert-by”：“publisher”，“DOI“：”10.1016\/0098-3004（96）00010-6“}，{“key”：“ref21”，“DOI-asserted-by”：“publisher”，“DOI”：“10.3390\/rs70911481”}，“key“：”ref22“}、{“key”：”ref23“，”DOI-assert-by“：”crossref“，”first page“：“7086”，“DI:”10.1109\/TGRS.2014.2307354“，”article-title“：”使用多时间字典学习恢复受厚云和阴影污染的定量遥感产品”，“卷”：“52”，“作者”：“李”，“年份”：“2014年”，“期刊标题”：“IEEE Trans。地质科学。遥感器“}，{”key“：”ref24“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/TGRS.2018.2790262“}、{”key“：“ref25”、“doi-assert-by”：“publisher”，“doi”：“10.1109\/LGRS.2018.2 874084”}、}“key”：“ref26”}，}“key”：”ref27“}”、{“key”：“ref28”，“article-title”：“云移除的遥感图像数据集”，“作者”：“林”，“年份”：“2019年”，“新闻标题”：“arXiv”}，{“key：“ref29”}，{“key”：“ref30”}“ref35”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.isprsjprs.2019.05.003”}，{“key”：“ref36”，“article-title“：”Esrgan：增强超分辨率生成对抗网络“，”author“：”Wang“，”year“：”2018“，”journal-title”：“arXiv”}，{“key”：“ref37”}、{“key”：”ref38“，”doi-asserted-by“：”publisher“，”doi“：”10.1023\/A:1016328200723“}，”{“密钥”：“ref39”，“doi-assert-by”：“publisher”，“doi”：“10.1109\/ACCES.2018.287 0295“}，{”键“：”参考40“}”，{“键”：”参考41“，”series-title“：”The Visual Computer“，”first page“：”1“，”article-title“：“在YUV颜色空间中使用对称多尺度DCGAN进行遥感图像着色”，“author”：“Wu”，“year”：“2020”}，{“key”：“ref42”，“doi-asserted-by”：“publisher”，“doi”：“10.3390\/rs10010139”}39“}，{”键“：”ref44“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/JSTARS.2017.265112“}，”{“key”：“ref45”，“doi-assert-by”：“publisher”，“doi”：“10.3390\/rs90907”}，{“key”：“ref46”，”doi asserted-by“：“publiser”，”doi:“10.1109\/TGRS.2019.2947634”}深度神经网络的特征？”，“作者”：“Yosinski”，“年份”：“2014年，“journal-title”：“arXiv”}，{“key”：“ref48”，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/LGRS.2017.2717486”}}]，“集装箱标签”：[“遥感”]，“original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/www.mdpi.com\/2072-4292\/13\/6\/1079\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2021,3,15]]，”date-time“：“2021-03-15T04:45:20Z”，“timestamp”：1615783520000}，“score”（分数）：1，“resource”（资源）：{“primary”（主资源）：}“URL”（URL）：“https:\/\/www.mdpi.com\/2072-4292\/13\/6\/1079“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期parts“：[[2021,3,12]]}，“参考计数”：50，“日志发布”：{“发布”：“6”，“发布在线”：{“日期parts”：[2021,3]]}}、“替代id”：[“rs13061079”]，“URL”：“http://\”/dx.doi.org \/10.3390 \/rs13061079“，”关系“：{}，”ISSN“：[”2072-4292“]，”ISSN-type“：[{”value“：“2072-4292”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[2021,3,12]]}}