IB-HFN：信息瓶颈驱动的SAR-光学云去除

对应文献：Guo, H.; Feng, F.; Wang, Z. IB-HFN: Information Bottleneck-Driven SAR-Optical Fusion Network for High-Fidelity Cloud Removal. arXiv, 2026.

1. 算法思路

IB-HFN面向SAR辅助光学云去除。它关注直接拼接SAR和光学会传播SAR斑点噪声的问题，因此采用双流结构分别编码光学和SAR，在深层通过信息瓶颈压缩SAR无关噪声，再用门控机制保留可靠光学细节。

输入为含云光学 $O_c$、SAR $S$、云掩膜 $M$，输出为无云光学 $\hat{O}$：

$$\hat{O}=G_\theta(O_c,S,M)$$

2. 双流编码

光学和SAR分别编码：

$$f_o=E_o(O_c,M)$$ $$f_s=E_s(S)$$

这样可以避免早期拼接导致SAR斑点直接污染光学低层纹理。

3. 信息瓶颈融合

信息瓶颈的思想是保留与目标 $O$ 有关的信息，同时压缩输入 $f_s$ 中无关噪声。设瓶颈变量为 $z_s$，目标为：

$$\max I(z_s;O)-\beta I(z_s;f_s)$$

等价最小化：

$$\mathcal{L}_{IB} = \beta I(z_s;f_s)-I(z_s;O)$$

实际深度网络中常用变分近似。设：

$$q_\phi(z_s|f_s)=\mathcal{N}(\mu_\phi(f_s),\sigma_\phi^2(f_s))$$

采样：

$$z_s=\mu_\phi(f_s)+\sigma_\phi(f_s)\odot \epsilon,\quad \epsilon\sim\mathcal{N}(0,I)$$

用KL散度约束信息量：

$$\mathcal{L}_{KL} = D_{KL}(q_\phi(z_s|f_s)\|p(z_s))$$

其中 (p(z_s)) 通常取标准正态。

4. 门控融合

门控模块根据光学可靠性和SAR补充价值生成权重：

$$g=\sigma(W[f_o;z_s;M])$$

融合特征：

$$f_{fus}=g\odot f_o+(1-g)\odot z_s$$

若光学区域晴空可靠，$g$ 应更接近1；若光学被云遮挡，SAR压缩特征贡献增加。

5. 跳连与细节保持

为保留无云区域细节，可加入光学跳连：

$$\hat{O}=D(f_{fus}) + B(O_c,M)$$

其中 $B$ 只在无云或低云区域传递原光学细节。Dirac初始化的思想是让跳连初始近似恒等映射，避免训练早期破坏可靠光学区域。

6. 损失函数

综合损失可写为：

$$\mathcal{L} = \lambda_1\|\hat{O}-O\|_1 +\lambda_s\mathcal{L}_{SSIM} +\lambda_{sam}\mathcal{L}_{SAM} +\lambda_{ib}\mathcal{L}_{KL} +\lambda_c\mathcal{L}_{contrast}$$

其中：

$$\mathcal{L}_{SAM} = \arccos \frac{\langle \hat{O},O\rangle} \|\hat{O}\|_2\|O\|_2}$$

用于约束光谱角一致性。若使用云自适应权重，可写为：

$$\mathcal{L}_{rec} = \sum_p(1+\alpha M(p))\|\hat{O}(p)-O(p)\|_1$$

文献截图

下图来自 IB-HFN 论文第3页，展示信息瓶颈驱动的双流SAR-光学云去除结构，可对应本文的双流编码、信息压缩和门控融合推导。

下图来自论文第7页，展示IB-HFN与基线/对比方法在云去除任务上的效果，可用于观察模态塌缩和结构保持差异。

下图来自论文第10页，展示不同云厚度条件下的云去除结果，反映该方法在重云遮挡场景下的稳定性。

7. 局限

IB-HFN是最新预印本，仍需同行评议和更多复现。信息瓶颈和门控能缓解SAR斑点污染，但若SAR与光学之间时相差异大或地表发生变化，模型仍可能生成错误细节。实际业务中应输出云区和生成不确定性。