Relaxing the clear-sky assumption: Cloud-tolerant spatiotemporal fusion via mask-guided feature modulation and temporal-memory collaboration
Sichen Lu · Juanjuan Jing · Junhua Yu 等 6 人
提出CloudSTF框架，利用含云影像实现高保真时空融合，突破晴空假设。
掩膜引导多尺度Swin Transformer编码器与跨时记忆融合模块，构建GC
在六个大洲24个站点上优于现有方法，不同云密度下均鲁棒。
可探索云污染下融合结果对作物长势监测与产量估测的精度影响。
提出抗云时空融合框架CloudSTF并发布全球云覆盖基准数据集，方法新颖、数据规模大，对多云地区农业遥感监测有实用价值。
精确刻画动态地球表面过程依赖于兼具高空间保真度与高频时间覆盖的时间序列遥感影像。尽管时空融合（STF）通过整合互补观测弥合了这一分辨率之间的权衡，但其实际应用仍受限于理想化的“晴空假设”。该要求往往倾向于选择时间上相距较远但无云的影像，而非时间上更近但受云污染的观测，这可能降低参考信息的相关性。为解决这一局限，我们提出了CloudSTF，一个旨在通过有效利用部分被遮挡的观测来实现高保真重建的稳健框架。我们的方法采用掩膜引导的多尺度Swin Transformer（M²ST）编码器来捕捉云的空间模式并抑制特征提取过程中的噪声传播。该编码器与跨时间记忆引导融合（CTMF）模块相结合，后者自适应地将时间趋势与从时空记忆库中检索到的纹理细节进行整合。为验证这一范式，我们引入了全球云覆盖区域（GCR-STF）基准数据集，这是一个地理分布广泛的数据集，涵盖六大洲24个代表性农业和城市站点。大量实验表明，CloudSTF始终优于现有最先进方法。在不同云密度和多样景观下的额外评估进一步证明了CloudSTF在真实云污染条件下的稳健性和适用性。这些结果表明，CloudSTF为真实且多云环境中的连续地球监测提供了可靠解决方案。源代码和GCR-STF基准数据集可在https://github.com/Sichen-Lu/CloudSTF获取。