全球超 50% 光学遥感影像受云干扰，传统特征法与深度模型在星上等低算力设备部署困难，存在参数量大、边缘检测精度不足等痛点。
全球光学遥感影像超过 50% 受云干扰，导致数据利用率低，影响土地利用分类与变化监测。
数据利用率现有深度学习模型参数量大、计算资源占用高，难以部署在 Jetson 等资源受限的星上设备。
边缘部署薄云区域与云像素边缘检测精度不理想，纯卷积结构全局感知能力弱，易产生漏检与误检。
精度瓶颈基于 DINOv3 通用视觉教师网络与 iFormer-S 轻量学生网络，通过多尺度知识蒸馏与 CNN-Transformer 混合架构，实现高精度、低延迟云检测。
采用 DINOv3-ConvNeXt-Large 作为教师，输出 4 尺度特征 (192,384,768,1536 维)，提供丰富通用视觉表征。
自监督 · 多尺度轻量混合架构，前两阶段卷积高效提取局部特征，后两阶段移动调制注意力建模长距离依赖，参数量仅 7.46 M。
CNN + Transformer1×1 卷积将学生特征升维至教师维度，L2 + KL 散度联合蒸馏，4 个尺度分别对齐，提升小目标感知。
特征适配采用 1×1 卷积多尺度拼接融合，替代传统 UNet 解码器，参数仅 7.46 M，推理速度提升 31% 以上。
高效解码交叉熵 + Dice 分割损失主导 (α=0.7)，多尺度蒸馏损失辅助，兼顾像素精度与通用特征迁移。
损失设计在 GF-2 测试集上 IoU 达 90.29%，相比 STCNet 提升 2.86%；Jetson 推理单景仅 1.34 s，效率提升 17.62%。
| 方法 | 准确率 | 召回率 | F1 | IoU | 推理时间 (s) | 参数量 (M) |
|---|---|---|---|---|---|---|
| MobileNetV3 | 0.8591 | 0.8634 | 0.8321 | 0.8334 | 0.0311 | 5.312 |
| MobileOne | 0.8621 | 0.8820 | 0.8481 | 0.8520 | 0.0298 | 8.545 |
| FastViT | 0.8791 | 0.8901 | 0.8346 | 0.8491 | 0.0276 | 5.276 |
| GhostNetV3 | 0.8904 | 0.9701 | 0.8519 | 0.8681 | 0.0328 | 7.156 |
| RS-net | 0.8109 | 0.7412 | 0.7211 | 0.7326 | 0.0927 | 31.16 |
| Shallow-CDNet | 0.7623 | 0.7126 | 0.7045 | 0.7086 | 0.0123 | 0.05 |
| MCDNet | 0.8832 | 0.9235 | 0.8519 | 0.8545 | 0.0289 | 13.10 |
| OCM | 0.8974 | 0.9411 | 0.8658 | 0.8698 | 0.0280 | 26.99 |
| SCTNet | 0.9056 | 0.9502 | 0.8732 | 0.8743 | 0.0271 | 4.24 |
| LWCloudNet | 0.9210 | 0.9729 | 0.9012 | 0.9029 | 0.0260 | 7.46 |
在云像素边缘与薄云区域，LWCloudNet 漏检更少，相比 STCNet 的 IoU 提升 2.86%，得益于 CNN-Transformer 混合架构。
Jetson Orin NX 上单景 GF-1 PMS 影像推理仅 1.34 s，比 FastViT 效率提升 17.62%，无需剪枝量化。
多尺度知识蒸馏相比引导特征蒸馏 IoU 提升 2.08%，4 尺度对齐有效传递通用视觉知识。
LWCloudNet 通过解耦训练-推理范式，融合通用视觉知识，为低算力设备高精度云检测提供理论参考与工程方案。
提出 LWCloudNet，首次将 DINOv3 通用视觉模型与 iFormer 轻量架构结合，实现星上级云检测精度与效率平衡。
多尺度知识蒸馏策略，4 尺度特征对齐 + L2/KL 联合损失，蒸馏增益 IoU 达 2.08%，优于传统引导蒸馏。
在 GF-1、SV-1、SV-3 等多源数据上泛化 IoU > 0.82，超大影像处理 < 4 min，可直接用于云掩膜生产。
为卫星在轨智能解译提供关键预处理支撑，可推广至目标检测、变化检测等任务，降低星上计算负担。
在轨计算当前模型对极薄卷云与冰雪混合场景仍有提升空间，未来将引入多光谱通道与自适应蒸馏权重。
多光谱 · 自适应