卫星遥感技术为城市规划、生态监测和灾害评估提供了关键数据支持，但云层遮挡始终是影响图像质量的核心难题。全球约60%至70%的地表长期被云层覆盖，导致卫星拍摄的图像中存在大量无效区域。传统去云算法虽能通过算法修复云层遮挡区域，但修复后的图像往往存在视觉效果与实际地理信息错位的问题——人类肉眼难以察觉的缺陷，在机器识别系统中却可能导致建筑分类错误或植被覆盖度误判。
由三所高校联合研发的地理锚定云去除框架（GACR）提出全新解决方案，通过引入视觉基础模型（VFM）的语义约束机制，使修复图像在保持视觉真实性的同时，更符合实际地理特征。该框架在六个公开数据集和十二项下游任务测试中，不仅在PSNR指标上平均提升3.2dB，更在建筑提取、土地分类等任务中实现5%-8%的精度提升，收敛速度较传统方法加快5倍。
现有去云技术主要分为两类：去噪型方法将云层视为图像噪声，通过神经网络学习去噪映射，但在厚云场景下易产生模糊结果；生成型方法借助扩散模型创造地面信息，却可能因缺乏真实数据约束导致语义漂移。例如某算法可能将停车场误判为绿地，或使建筑朝向发生180度偏差。这种视觉合理性与地理真实性的矛盾，成为制约遥感分析准确性的关键瓶颈。
GACR框架通过观测锚定残差流（OAR-Flow）和地理情境先验对齐（GCPA）两大核心模块破解难题。OAR-Flow模块创新性地以含云图像作为修复起点，通过动态调整生成轨迹长度实现自适应修复：在薄云区域保留原始图像特征，在厚云区域注入可控随机扰动。这种设计使模型在吉林一号卫星数据集上的收敛步数减少至传统方法的1/3，同时保持PSNR指标优势。
GCPA模块通过引入预训练的DINOv3视觉编码器，构建地理情境完整性损失函数，强制修复图像的深层特征与真实无云图像对齐。实验表明，该模块使修复图像在特征空间中的近邻结构保持度（CKNNA）提升17%，有效抑制语义漂移现象。值得注意的是，评测使用的下游模型与VFM完全独立，确保结果不受参数共享影响。
研究团队构建的评测体系包含六个数据集和十二项任务，覆盖土地分类、建筑提取、语义分割和高度估计等典型应用。在0.5米分辨率的城市场景数据集中，GACR使建筑提取的交并比（IoU）达到0.71，较第二名提升1.4个百分点；在厚云场景的语义分割任务中，平均交并比（mIoU）突破69.9%，较传统方法提升3.1个百分点。高度估计任务的均方根误差（RMSE）降低至2.014米，证明修复图像能准确支持三维地形重建。
神经网络架构选择方面，研究团队采用沙漏扩散变换器（HDiT）作为骨干网络，在像素空间直接进行图像重建。通过对比实验发现，patch size=2的配置在计算量（56.05 GFLOPs）仅为传统方法1/3的情况下，仍能保持PSNR指标优势。自适应投影器的引入使特征对齐计算开销降低82%，确保整体框架的轻量化特性。
消融实验验证了各模块的必要性：移除GCPA模块导致下游分类准确率下降4.2个百分点，取消OAR-Flow使收敛速度减慢70%。对观测锚定强度参数ρ的调优显示，ρ=3时在PSNR指标和语义保持间达到最佳平衡，过度增强锚定强度反而会限制厚云区域的生成能力。在VFM骨干选择测试中，DINOv3较次优的DINOv2提升2.3%的语义对齐精度，证明先进视觉模型对框架性能的关键作用。
这项技术突破具有广泛的应用价值。在农业领域，准确去除云层干扰可使粮食产量预测误差降低15%；在城市规划中，修复后的高精度图像能提升违法建筑识别率至92%；灾害监测系统借助实时去云处理，可将洪水范围评估时间从6小时缩短至40分钟。研究团队已公开源代码和预训练模型，为气象、环保、国土资源等领域提供开源技术工具。
