通过具有地理背景对齐的观测锚定残余流进行面向解释的云去除

云去除（CR）对于光学遥感至关重要，是可靠的下游解释（例如语义分割和变化检测）的先决条件。然而，现有的 CR 方法通常优先考虑视觉真实感，而忽视其对后续分析任务的影响，导致语义漂移和下游性能下降。为了解决这个问题，我们提出了地理锚定云去除（GACR），这是一个统一的框架，共同确保忠实的重建和强大的可解释性。 GACR 的核心结合了观测锚定残差流 (OAR-Flow)，它将 CR 重新表述为具有物理依据的残差反演过程。通过将生成轨迹锚定到多云观测而不是纯噪声，OAR-Flow 能够实现快速、稳定和忠实的重建。为了进一步保留对下游解释至关重要的语义结构，GACR 集成了地理上下文先验对齐 (GCPA)，以将重建限制在由视觉基础模型 (VFM) 引起的语义流形内。因此，GACR 严格维护了复杂景观的空间语义完整性。跨越 6 个 CR 数据集和 12 个下游任务的广泛实验表明，GACR 可以产生卓越的重建质量，同时持续提高下游任务的准确性。代码可在 https://github.com/wzy6055/GACR 获取。