在过去几十年中，几乎所有光学卫星影像都受到非均匀雾霾与大气散射的影响。这些不稳定的大气成分不仅影响视觉质量，更严重干扰了下游 AI 模型的学习，使模型在“学习地表信息”的同时，也在无意中包含了大气噪声。

我们最近完成了一张新的系统级架构图，展示了 AICOOL（Atmospheric Uncertainty Separation Layer） 的整体思想：👉 将“去雾 / 大气不确定性分离”从传统的逐景算法，提升为 AI Earth Observation 的上游基础设施层（infrastructure layer）。

AICOOL 的核心理念是：在 AI 学习之前，先稳定数据分布（distributionally stable inputs）。

🔹 What is AICOOL?

• 一个系统级大气不确定性分离层

• 不依赖元数据（No metadata / No RTM / No AOD）

• 仅使用 RGB 光学影像

• 完全自动化、GPU 并行、tile-based 处理

• 输出：

      1)  稳定的地表影像（Radiometrically stabilized imagery）

      2)  可量化的大气不确定性图（Atmospheric uncertainty map）

🔹 Quantitative Impact（初步结果）

• ✅ ~30% 大气信号可分离：在重雾霾场景中，可自动分离最高约 30% 的大气污染成分

• ⚡ 20x–100x 处理加速：GPU 相比 CPU 实现数量级提升（10⁸ 像素级影像）

• 👨‍🔧 ~95% 人工成本节省：无需专家手工参数调节

• 📊 <10% 本地雾霾强度估计误差：支持环境监测与变化检测

🔹 Why it matters

• 从 scene-level algorithm → infra-level enabling layer

• 实现跨传感器、跨区域、跨时间的一致性

• 提升 AI 模型的 learnability、generalization 与稳定性

• 为大规模 EO foundation models 提供干净、稳定的输入数据层

  

随着高分辨率卫星星座和 GPU-accelerated AI pipelines 的快速发展，传统依赖 RTM 与元数据的大气校正方式，正在成为自动化 EO AI 的瓶颈。

AICOOL 正是为填补这一“缺失层”而设计。

我将逐步分享更多去雾 demo（GIF/视频）、多区域测试结果，以及下游 AI 任务的验证效果。欢迎对 Earth Observation + AI + Data Infrastructure 感兴趣的朋友交流讨论 🙏

📩 如果你对合作、验证或应用场景感兴趣，也欢迎私信我。