تواجه نماذج الانتشار التقليدية المستخدمة في إعادة بناء الدقة الفائقة للصور الاستشعار عن بُعد تحديات مثل الاستفادة غير الكافية من الشروط السابقة، وطول خطوات العينة، وضعف استعادة التفاصيل عالية التردد. تُقدم هذه الورقة شبكة انتشار بشرط باقي من مرحلتين (TRCDSR)، حيث تستخدم المرحلة الأولى نموذج CNN خفيف مدرب مسبقًا لتوليد نتائج مبدئية فائقة الدقة، لتوفير شروط هيكلية عالية الجودة لنموذج الانتشار؛ أما المرحلة الثانية فتقدم آلية انتشار بشرط باقي، حيث تُستخدم إشارة الباقي كمدخل، مما يوجه شبكة توقع الضوضاء إلى التركيز على إعادة بناء التفاصيل عالية التردد. من خلال تحسين صيغة أخذ العينات العكسية DDIM، يتم فك ارتباط عملية تصحيح الباقي إلى مكون توقع حتمي ومكون ضوضاء عشوائي، ويتم الانتهاء من إعادة البناء ذات الجودة العالية في 20~50 خطوة. بالإضافة إلى ذلك، تم تقديم وحدة تعزيز الشروط السابقة متعددة المقاييس (PCEM) وآلية الانتباه التي تدمج الفضاء والقناة (FAN) لتعزيز قدرة النموذج على التكيف مع المشاهد المعقدة في الاستشعار عن بُعد. أظهرت التجارب على مجموعات البيانات AID وSECOND وRSSCN أن TRCDSR تتفوق على الطرق الأخرى القائمة على نماذج الانتشار وGAN وTransformer من حيث جودة إعادة البناء، وكفاءة الحساب، والقدرة على التعميم.

نماذج الانتشار;إعادة بناء دقة فائقة للاستشعار عن بُعد;شبكة باقي;تعزيز الشروط السابقة