TCSEN12

TCSEN12数据集是为了解决光学图像合成中的云遮挡问题而创建的，它包含了受郑州2021年7月20日洪水影响的区域的Sentinel-1和Sentinel-2图像。数据集跨越了洪水期间，记录了地表条件的变化，适合评估检测方法的鲁棒性。每个数据实例包括一个时间1的云光学图像、时间1和时间2的SAR图像以及时间2的接近无云的参考光学图像。

The TCSEN12 dataset was developed to address the problem of cloud occlusion in optical image synthesis. It comprises Sentinel-1 and Sentinel-2 images of areas affected by the flood event in Zhengzhou on July 20, 2021. Spanning the entire period of the flood, the dataset documents changes in surface conditions and is well-suited for evaluating the robustness of detection methods. Each data instance includes a cloud-obscured optical image at time 1, SAR images at both time 1 and time 2, and a near-cloud-free reference optical image at time 2.

原始信息汇总

数据集概述

基本信息

• 标题: High-Quality Cloud-Free Optical Image Synthesis Using Multi-Temporal SAR and Contaminated Optical Data
• 作者: Chenxi Duan
• 提交日期: 2025年4月23日
• arXiv标识符: arXiv:2504.16870v1
• DOI: 10.48550/arXiv.2504.16870 (pending registration)
• 领域: 计算机视觉与模式识别 (Computer Vision and Pattern Recognition, cs.CV)

摘要

• 研究问题: 解决由云覆盖和卫星长重访周期导致的数据缺失问题，以支持遥感应用。
• 方法: 提出CRSynthNet，一种新型图像合成网络，包含DownUp Block和Fusion Attention等创新模块，以提高准确性。
• 实验结果:
  • PSNR: 26.978
  • SSIM: 0.648
  • RMSE: 0.050
• 数据集: 创建TCSEN12数据集，专门用于解决光学数据合成中的云覆盖挑战，包含云覆盖图像并利用早期图像预测后期图像。

数据集详情

• 数据集名称: TCSEN12
• 特点:
  • 包含云覆盖图像
  • 利用早期图像预测后期图像
  • 提供真实场景的表示

论文链接

• PDF: http://arxiv.org/pdf/2504.16870v1
• HTML: http://arxiv.org/html/2504.16870v1
• TeX源码: http://arxiv.org/format/2504.16870v1

搜集汇总

数据集介绍

构建方式

TCSEN12数据集聚焦于解决遥感图像合成中云层覆盖的挑战，特别针对2021年郑州洪水影响区域构建。数据集整合了Sentinel-1和Sentinel-2卫星的多时相数据，覆盖经度112.0°E至116.0°E、纬度33.0°N至36.5°N的范围，时间跨度为2021年7月1日至31日。通过地理空间对齐、复合生成和归一化等预处理步骤，生成6天复合影像以减少大气干扰并提升时间一致性。每个数据实例包含Time 1的云覆盖光学影像、Time 1和Time 2的SAR影像，以及Time 2的参考近无云光学影像（云覆盖率<5%）。该数据集独特地融合了云污染光学影像与多时相SAR数据，为真实场景建模提供了更贴近实际的实验条件。

特点

TCSEN12数据集的核心特点在于其多模态与时序动态的结合。数据集首次引入云污染的光学影像作为输入，而非依赖完全无云的辅助影像，更符合实际遥感场景的复杂性。洪水期的地表显著变化为评估方法鲁棒性提供了天然测试场，而多时相SAR数据的加入弥补了光学影像在天气干扰下的信息缺失。数据集中参考影像的严格云覆盖率控制（<5%）确保了合成目标的可靠性，同时6天复合策略平衡了时间分辨率和数据质量。与现有数据集相比，其创新性地采用早期影像预测后期影像的时序逻辑，为时间序列重建任务提供了新的研究视角。

使用方法

该数据集专为基于深度学习的多模态图像合成任务设计，尤其适用于云层去除和全图像生成研究。使用时应将云覆盖的光学影像（Time 1）与双时相SAR影像作为输入，以生成Time 2的无云光学影像。建议采用论文提出的CRSynthNet框架，其DownUp模块处理多尺度特征，融合注意力机制优化时序信息整合，而空间-通道注意力解码器可提升细节重建。评估指标推荐PSNR、SSIM和FID等多维度量，重点关注洪水引起的土地利用变化区域的合成质量。数据集的时空特性使其还能用于变化检测、灾害评估等衍生研究，但需注意云污染区域与SAR散射特性的互补性限制。

背景与挑战

背景概述

TCSEN12数据集由荷兰特文特大学地理信息科学与地球观测学院的Chenxi Duan等人于2025年提出，旨在解决遥感领域中云层覆盖导致的光学影像缺失问题。该数据集聚焦郑州2021年7月洪水影响区域，整合了Sentinel-1 SAR影像和多时相Sentinel-2光学影像，覆盖112.0°E-116.0°E和33.0°N-36.5°N的地理范围。其创新性在于首次将云污染光学影像与多时相SAR数据结合，通过早期影像预测后期云-free影像，为SAR-光学数据融合研究提供了真实场景下的基准数据。该数据集支持深度学习模型在灾害监测、地表变化分析等领域的应用，弥补了传统方法依赖无云参考影像的局限性。

当前挑战

TCSEN12数据集面临的核心挑战体现在两个方面：在领域问题层面，云层干扰导致的光学影像信息缺失问题存在跨模态特征对齐困难，SAR与光学影像的成像机理差异使得纹理细节重建精度受限；其次，洪水引发的剧烈地表变化增加了时相一致性保持的复杂度。在构建过程层面，数据预处理需解决多源异构数据的时空配准难题，6天合成影像的生成需平衡时间分辨率与云污染消除效果；此外，定义云覆盖率低于5%的'近无云'参考标准时，需权衡数据可用性与真实场景代表性。数据集还面临洪水事件导致的非常规地表变化，这对模型的泛化能力提出了更高要求。

常用场景

经典使用场景

TCSEN12数据集在遥感图像合成领域具有重要的应用价值，特别是在处理云覆盖导致的光学图像缺失问题时表现出色。该数据集通过整合多时相SAR数据和受云污染的光学图像，为生成高质量无云光学图像提供了关键支持。其经典使用场景包括在洪水监测、土地利用变化分析等需要连续时间序列遥感数据的领域，为研究人员提供了可靠的实验平台。

衍生相关工作

基于TCSEN12数据集已衍生出多项创新性研究，包括CRSynthNet等先进图像合成网络架构的开发。该数据集促进了多时相SAR-光学数据融合方法的革新，如改进的注意力机制和特征融合策略。相关研究在IEEE Transactions on Geoscience and Remote Sensing等顶级期刊发表，推动了云去除、图像翻译等子领域的技术发展。

数据集最近研究

最新研究方向

近年来，TCSEN12数据集在遥感图像合成领域引起了广泛关注，特别是在处理云覆盖导致的光学数据缺失问题上。该数据集通过结合多时相SAR数据和受污染的光学数据，为云覆盖挑战下的光学图像合成研究提供了宝贵的资源。前沿研究方向主要集中在深度学习模型的优化，如CRSynthNet网络的应用，该网络通过创新的DownUp Block和Fusion Attention模块显著提升了图像合成的准确性和视觉效果。热点事件包括2021年郑州洪水期间的遥感监测，该数据集因其覆盖洪水区域并捕捉地表显著变化而成为评估方法鲁棒性的理想选择。TCSEN12数据集的影响和意义在于其独特的真实场景模拟能力，为光学卫星图像合成任务提供了实用的方法和资源，推动了该领域的技术进步。

相关研究论文

• High-Quality Cloud-Free Optical Image Synthesis Using Multi-Temporal SAR and Contaminated Optical Data

  荷兰特温特大学地球观测与地理信息科学学院（ITC） · 2025年