云覆盖和卫星长周期探测会导致光学图像出现缺失，给地球观测任务的一致性带来显著障碍。最近，合成孔径雷达（SAR）到光学图像翻译（S2OIT）已成为重建光学遥感图像缺失信息的新方法。然而，先前的研究忽视了 SAR 和光学数据之间的成像机制差异，在生成的光学图像中产生了色彩失真、图像模糊和纹理细节丢失。为了应对这些挑战，我们提出了一个用于高质量光学图像生成的多时相 SAR 到光学图像翻译网络（MTS2ONet）。该模型由两个子网络组成：变化特征提取子网络（Change_Extractor）和 S2OIT 子网络（S2O_Translator）。第一个子网络负责从日期 T 和 T+1 捕获的 SAR 图像中提取变化特征，然后将它们从 SAR 域翻译到光学域。随后，S2O_Translator 将日期 T+1 的光学图像与 Change_Extractor 提取的变化特征融合，生成日期 T 的光学图像。此外，我们制作了一个多时相 SAR-光学数据集，称为 MTSEN1-2 用于模型评估。在MTSEN1-2 数据集的实验表明，我们的方法在定量评估指标 PSNR（36.0435）、SSIM（0.9896）、LPIPS（0.0443）、RMSE（0.0174）优于最先进方法，并在视觉效果上展现出更佳的结果。
 

SAR到光学图像翻译,深度学习,多时相遥感,图像重建