由于具有高空間分辨率、豐富的光譜信息和直觀的視覺特性，光學遙感圖像已被廣泛應用于地表監測、環境評估、城市規劃、農業監測等相關領域（Duarte和Azevedo，2023；Chinmayi等人，2025；Kumari等人，2024）。然而，其獲取受到云層污染的嚴重限制。觀測統計數據顯示，全球云層覆蓋平均比例為64%-68%，海洋和陸地地區之間存在輕微差異，這意味著光學數據集中的大量像素受到影響。云層和陰影的遮擋不僅降低了單場景圖像的輻射度質量，還破壞了多時相分析的時間一致性，從而在變化檢測和動態監測等時間序列應用中累積誤差。因此，準確檢測和有效消除云層覆蓋區域對于確保光學遙感數據在各種地球觀測任務中的可靠性、完整性和實用性至關重要。
光學遙感中的云層污染涉及多種復雜的干擾模式，如圖1所示。挑戰范圍從半透明的薄云（導致光譜混合并使定量分析復雜化）到不透明的厚云（導致表面數據完全丟失）。更復雜的是，相關的云層陰影會形成輻照度降低的區域，這些區域在光譜上可能與低反射率表面（如水體）混淆。這種由薄云引起的光譜破壞、厚云導致的完全數據缺失以及陰影造成的特征模糊，需要一種能夠解決這一多方面問題的復雜算法。
自20世紀以來，大量研究致力于去除光學遙感圖像中的云層污染，發展出了四大主要方法類別（Zhang等人，2023）：圖像恢復、多光譜信息利用、多時相重建以及基于深度學習的方法。早期的基于物理的模型為輻射傳輸和大氣散射校正提供了重要的理論基礎。然而，在缺乏無云參考區域的情況下，這些方法常常會產生重建偽影和結構不連續性。多光譜方法利用波段間的相關性來補償云層覆蓋區域丟失的信息，但在厚云或多個波段同時被遮擋時性能會下降。多時相重建方法通過整合時間信息來彌補單圖像的局限性，但其有效性受到參考圖像的時間一致性、配準精度以及在動態地表條件下的魯棒性的限制。此外，這類方法通常會增加計算復雜性和處理時間。
隨著深度生成模型的快速發展，數據驅動技術顯著提升了云層去除的性能。早期的代表性工作，如多光譜邊緣過濾條件GAN（Hasan等人，2022）和光譜-空間融合CNN（Li等人，2022），證明了基于學習的先驗可以有效重建空間紋理和光譜一致性。后續的網絡，包括Thief和BiShift（Zhao等人，2023；Long等人），通過引入可學習的云層先驗和雙向時間位移，進一步提高了重建精度，以更好地處理薄云和厚云場景。在注意力機制成功的基礎上，CloudRuler（Li等人，2025）利用基于規則的Transformer架構來模擬Landsat圖像中的復雜光譜依賴性，實現了業界領先的結構保真度。
最近，去噪擴散概率模型（DDPMs）作為一種領先的云層去除生成范式出現，因為它們具有強大的生成能力和內在的訓練穩定性。開創性的工作DDPM-CR（Jing等人，2023）首次將DDPMs系統地應用于遙感云層去除，并在Sentinel-2和SEN12MS數據集上驗證了其卓越的重建能力。隨后，DiffCR（Zou等人，2024）提出了一種具有解耦時間編碼和高效采樣策略的條件擴散框架，以加速推理速度，而后續變體則結合了多時相線索或光譜特征編碼器來進一步提高重建質量（Zhao和Jia，2023）。這些研究共同確立了基于擴散的生成建模作為遙感圖像中魯棒、數據驅動的云層去除的有希望的方向。
然而，直接將擴散模型應用于遙感圖像進行云層去除時，面臨兩個根本的技術挑戰。首先，計算效率瓶頸：現有模型在高維像素空間中運行，對整個圖像進行迭代去噪處理，這種方法計算密集，導致推理時間過長，特別是對于遙感中常見的高分辨率數據，這限制了其操作的可擴展性。其次，高頻保真度不足：遙感圖像的解釋高度依賴于精細紋理和清晰的結構邊緣，而這些信息主要編碼在圖像的高頻成分中。標準的擴散過程在迭代去噪過程中可能會過度平滑這些關鍵細節，從而降低重建圖像的清晰度及其實際用途。
為了同時解決效率和保真度的雙重挑戰，我們提出了WaveDiffDecloud，這是一種基于小波域的條件擴散模型。我們的核心貢獻在于一種分離圖像頻率成分的方法。首先，為了提高計算效率，我們將密集的擴散過程限制在空間緊湊的低頻子帶內，將擴散模型的生成能力與小波變換的效率結合起來。其次，為了確保高保真度重建，我們設計了一個專門的高頻結構和紋理恢復模塊（StruTex-HFR），并配合一個基于物理原理的損失函數，以精確恢復被云層遮擋的精細紋理和清晰邊界。通過在RICE和SEN12MS-CR基準測試上的全面實驗，我們驗證了WaveDiffDecloud在定量指標和感知質量方面顯著優于現有的最先進方法，同時也大幅提高了推理速度。
本文的其余部分組織如下：第2節全面回顧了現有的云層去除文獻，涵蓋了從傳統方法到現代深度學習方法（包括GANs、Transformers和擴散模型）的發展歷程。第3節介紹了去噪擴散概率模型和離散小波變換所需的理論背景。第4節詳細介紹了提出的WaveDiffDecloud框架，闡述了小波域擴散策略和具體的恢復模塊。第5節提供了廣泛的實驗結果，與最先進方法進行了嚴格的比較，并進行了深入的消融研究。最后，第6節總結了本文并展望了未來的研究方向。
