WAMG U-Net: Uma arquitetura de rede neural para reconstrução de imagens de sensoriamento remoto

A presença de nuvens em imagens ópticas de sensoriamento remoto compromete a continuidade e a qualidade das observações da superfície terrestre, dificultando aplicações como monitoramento ambiental, análise de uso e cobertura do solo, agricultura e planejamento territorial. Este trabalho propõe a WAMG-UNet (Wavelet-Attention Mask-Guided U-Net), uma arquitetura neural baseada em U-Net para reconstrução de imagens de sensoriamento remoto degradadas por nuvens. A proposta combina três componentes principais: uso explícito de máscara de nuvem, processamento multiescala por meio da Transformada Wavelet Discreta e conexões de salto guiadas por máscara. Além disso, a configuração completa utiliza uma perda auxiliar no domínio wavelet, ponderada por uma estratégia de Curriculum Learning. A avaliação experimental foi conduzida nos subconjuntos RICE1 e RICE2, comparando quatro configurações: U-Net RGB, UNet RGB+Mask, WAMG sem perda wavelet e WAMG-UNet Completa. Os resultados indicaram que a WAMG-UNet Completa obteve o melhor desempenho global, alcançando PSNR de 32,93 dB, SSIM de 0,919 e MAE de 0,0215 no conjunto de validação. A análise incremental mostrou que a maior contribuição quantitativa decorreu da arquitetura WAMG, enquanto a perda wavelet com modulação curricular atuou como componente de refinamento. As análises por subconjunto, cobertura de nuvens e custo computacional indicaram que o modelo proposto apresenta melhor qualidade de reconstrução que os baselines, embora com maior latência de inferência. Concluise que a WAMG-UNet constitui uma alternativa viável para reconstrução supervisionada de imagens ópticas afetadas por nuvens, especialmente em cenários de processamento offline ou em lote.