Es wird ein Algorithmus zur Superauflösungsrekonstruktion von Fernerkundungsbildern auf Basis von bedingter Priorverstärkung und Diffusionsmodell vorgeschlagen, der das Problem der unscharfen Rekonstruktion kleiner Objekte und des Verlusts hochfrequenter Details während des Rekonstruktionsprozesses adressiert. Zunächst wird durch die Fusion eines flachen Merkmalsverstärkungsmoduls mit mehreren Zweigen, das Standardfaltungen, dilatierte Faltungen und Koordinatenaufmerksamkeit integriert, die Wahrnehmungsfähigkeit für kleine Ziele verbessert. Zweitens ermöglicht das Stapeln residualer dichter Blöcke die Extraktion stärker repräsentativer Merkmale bei gleichzeitiger Aufrechterhaltung der Trainingsstabilität. Anschließend wird ein mehrskaliges tiefes separables Faltungsmodul entworfen, um mehrskalige Priorinformationen zu extrahieren und den Verlust hochfrequenter Details zu verhindern. Schließlich werden die oben genannten Module als Priorinformationen in das Diffusionsmodell eingespeist, um dessen iterative Verfeinerung bei der Generierung hochauflösender Bilder zu leiten. Die experimentellen Ergebnisse auf den öffentlichen Fernerkundungsdatensätzen RSCNN7 und NWPU-RESISC45 zeigen, dass bei Skalierungsfaktoren ×2, ×4 und ×8 die vorgeschlagene Methode im Vergleich zu verschiedenen Netzwerkarchitekturmethoden bessere Ergebnisse erzielt. Insbesondere auf dem RSCNN7-Datensatz zeigt das Modell bei Skalierungsfaktor ×4 signifikante Reduktionen des Perzeptuellen Index (Perceptual Index, PI) und des Bildgenerationsbewertungsscores FID um 1,43 bzw. 20,56 im Vergleich zu auf Diffusionsmodellen basierenden SOTA-Algorithmen und nähert sich subjektiv visuell mehr den realen Werten als vergleichbare Algorithmen.

Bild-Superauflösung; Diffusionsmodell; Merkmalverstärkung; mehrskalige Merkmalextraktion