Remoção de Nuvens Orientada à Interpretação via Fluxo Residual Ancorado na Observação com Alinhamento Geocontextual

Resumo

A remoção de nuvens (CR) é essencial para o sensoriamento remoto óptico, servindo como pré-requisito para uma interpretação downstream confiável, como segmentação semântica e detecção de mudanças. No entanto, as abordagens existentes de CR frequentemente priorizam o realismo visual, ignorando seu impacto em tarefas analíticas subsequentes, resultando em deriva semântica e degradação do desempenho downstream. Para resolver esse problema, propomos o Geo-Anchored Cloud Removal (GACR), uma estrutura unificada que garante simultaneamente reconstrução fiel e interpretabilidade robusta. Em seu núcleo, o GACR incorpora o Observation-Anchored Residual Flow (OAR-Flow), que reformula a CR como um processo de inversão residual fisicamente fundamentado. Ao ancorar a trajetória generativa na observação nublada, em vez de ruído puro, o OAR-Flow possibilita uma reconstrução rápida, estável e fiel. Para preservar ainda mais as estruturas semânticas críticas para a interpretação downstream, o GACR integra o Geo-Contextual Prior Alignment (GCPA) para restringir a reconstrução a uma variedade semântica induzida por um Vision Foundation Model (VFM). Consequentemente, o GACR mantém estritamente a integridade espaço-semântica de paisagens complexas. Extensos experimentos em seis conjuntos de dados de CR e doze tarefas downstream demonstram que o GACR produz qualidade de reconstrução superior, enquanto melhora consistentemente a precisão das tarefas downstream. O código está disponível em https://github.com/wzy6055/GACR.

English

Cloud removal (CR) is essential for optical remote sensing, serving as a prerequisite for reliable downstream interpretation, such as semantic segmentation and change detection. However, existing CR approaches often prioritize visual realism while overlooking their impact on subsequent analytical tasks, leading to semantic drift and degraded downstream performance. To address this issue, we propose Geo-Anchored Cloud Removal (GACR), a unified framework that jointly ensures faithful reconstruction and robust interpretability. At its core, GACR incorporates Observation-Anchored Residual Flow (OAR-Flow), which reformulates CR as a physically grounded residual inversion process. By anchoring the generative trajectory to the cloudy observation rather than pure noise, OAR-Flow enables fast, stable, and faithful reconstruction. To further preserve semantic structures critical for downstream interpretation, GACR integrates Geo-Contextual Prior Alignment (GCPA) to constrain the reconstruction within a semantic manifold induced by a Vision Foundation Model (VFM). Consequently, GACR strictly maintains the spatial-semantic integrity of complex landscapes. Extensive experiments across six CR datasets and twelve downstream tasks demonstrate that GACR produces superior reconstruction quality while consistently improving downstream task accuracy. The code is available at https://github.com/wzy6055/GACR.