EORestore-智能体：保真度引导的Agentic复合退化遥感图像恢复

遥感图像往往存在雾霾、云、噪声、模糊、弱光、低分辨率等复合劣化现象。恢复它们需要决定应用哪个工具、以什么顺序以及何时停止，但在推理时没有干净的参考来验证这些决定。随着退化的累积，针对单一退化训练的一体化模型会收敛到狭窄的 PSNR 频带。为了将现实世界的遥感恢复制定为可追踪的轨迹，我们提出了 EORestore-智能体，它用无参考、可验证的每步决策取代了这一不可测量的目标。经过微调的视觉语言模型报告所有残留退化类型，其工具池一起评分，因此恢复顺序是从逐步选择中产生的。相对质量评分器经过对合成退化链的全参考监督训练，可预测从当前图像到每个候选图像的 PSNR、SSIM 和 LPIPS 的变化。仅当预测变化没有为负且预测 PSNR 增益为正时，才接受步骤。否则，智能体保留当前图像。在具有六种退化类型的合成 Landsat-8 基准上，EORestore-智能体在 2 到 6 种退化的复合材料上将 PSNR 比最强的再训练一体化基线提高了 2.3 到 3.2 dB，而零样本自然图像智能体在 18 个设置中的 17 个设置中低于 PSNR 的退化输入。用无参考质量差异替换学习评分器的成本为 1.1 至 4.6 dB。其余的有害步骤很小，并且聚集在接受阈值附近。 Sentinel-2 示例说明了无需再训练即可转移到真实的大气降解。