EORestore-Agent: Fidelity-Guided Agentic Restoration of Remote Sensing Images with Composite Degradations
Aggiunta all'archivio di AIChronos il (numero del 5 ottobre 2026 ricostruito)· fonte del · Heli Qi, Zeqi Zhou, Jingjun Yi, Kunyi Liu, Ziyang Lihe, Junjue Wang
EORestore-Agent è un framework per il restauro di immagini satellitari che affronta degradazioni composite (nebbia, nuvole, rumore) sostituendo gli obiettivi non misurabili con decisioni verificabili passo-passo. Utilizza un modello vision-language fine-tuned per identificare le residui e uno scorer relativo addestrato su supervisione full-reference per prevedere i guadagni in qualità prima di applicare ogni strumento. L'agente accetta una modifica solo se il guadagno predetto nel PSNR è positivo, evitando così peggioramenti della qualità visiva o metrica.
- Sostituisce l'obiettivo non misurabile del restauro con un percorso di decisione tracciabile e verificabile senza bisogno di riferimenti puliti in fase di inferenza.
- Un modello vision-language fine-tuned classifica i tipi residui di degradazione, permettendo una selezione sequenziale degli strumenti di ripristino ottimali.
- Uno scorer relativo addestrato su catene sintetiche predice le variazioni metriche (PSNR, SSIM, LPIPS) per decidere se accettare o rifiutare un passo di restauro.
- Su benchmark sintetici Landsat-8, supera i baseline all-in-one riaddestrati migliorando il PSNR fino a 3.2 dB su degradazioni composite complesse.
- Dimostra capacità di trasferimento (transfer learning) verso dati reali come Sentinel-2 senza necessità di ulteriore addestramento.
Perché conta. Per gli sviluppatori che lavorano con agenti AI e modelli locali, questo approccio illustra l'importanza di sostituire obiettivi non verificabili con metriche predittive concrete per garantire la stabilità dell'inferenza.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.