克服注意力漂移：用于弱光遥感图像增强的同质性-异质性引导特征聚合

从极端低光退化中恢复高保真遥感图像对于可靠的地球观测和下游机器视觉是必不可少的。然而，在严重的噪声和照明损坏下，现有方法会出现注意力漂移、错误地聚合不同物理边界的特征，并导致严重的结构模糊和颜色失真。为了解决这个问题，我们提出了 HALO，一种双先验驱动的增强框架，它将增强制定为由基础模型先验驱动的引导特征聚合问题。具体来说，光照不变语义先验提供区域同质性作为内容一致聚合的正偏差，而伪 3D 拓扑先验提供边界异质性作为负惩罚以严格防止跨边界混淆。为了协作合并这两个先验，我们提出了同质-异质协作注意模块（H2CAM）来解决跨模态先验融合期间的特征冲突。大量实验表明，HALO 在 8 个具有挑战性的合成和真实遥感基准中实现了最先进的性能，显着提高了物理边界清晰度和颜色保真度，同时最大限度地保留了下游地球观测任务的判别特征。