شددت الخوارزمية المقترحة لإعادة بناء الصور عالية الدقة في الصور البعيدة المشكلة الغامضة لفقدان التفاصيل عالية التردد ومظهر الموضوع غير واضح خلال عملية إعادة البناء. أولاً، من خلال دمج وحدة تعزيز السمات السطحية التي تعتمد على القياس القياسي المتعدد والقياس الفارغ والتركيز الإحداثي، تعزيز قدرة التمييز عن الأهداف الصغيرة. ثانياً، من خلال تكديس الكتل المتبقية المتجانسة، تنصلب خصائص أكثر قدرة على التمثيل مع الحفاظ على الاستقرارية أثناء التدريب. ثم، تم تصميم وحدة التوزيع العميقة والقابلة للفصل بمقياس متعدد لاستخراج المعلومات المسبقة في مقياس متعدد لمنع فقدان التفاصيل عالية التردد. وأخيرًا، يتم استخدام كل هذه الوحدات كمعلومات مسبقة لإدخال نموذج الانتشار لتوجيه الدقة العالية في توليد الصور باستخدام التداول. تشير نتائج التجارب على مجموعة بيانات الصور البعيدة RSCNN7 و NWPU-RESISC45 إلى أن النموذج المقترح يحقق أداء جيد عندما يكون معامل النسبة هو ×2 و ×4 و ×8. وفي RSCNN7 ، عندما يكون معامل النسبة هو ×4 ، يقلص النموذج المقترح بشكل ملحوظ من مؤشر الإدراك (PI) ومؤشر تقييم إنتاج الصور (FID) مقارنة بأفضل الخوارزميات المعتمدة على نموذج الانتشار بمقدار 1.43 و 20.56 على التوالي. ومقارنة بالخوارزميات المقارنة ، فإن النموذج المقترح أقرب في الأداء البصري الذي يتم ادراكه بشكل مباشر.

الدقة العالية للصور; نموذج الانتشار; تعزيز السمات; استخراج السمات متعددة المقياس